Las técnicas de privacidad diferencial han mostrado un excelente rendimiento en la protección de información sensible durante el entrenamiento del modelo GAN. Sin embargo, con la creciente atención a los problemas de privacidad de datos, garantizar la alta calidad de salida de los modelos generativos y la eficiencia del aprendizaje federado mientras se protege la privacidad se ha convertido en un desafío apremiante. Para abordar estos problemas, este documento propone una Red Adversarial Generativa de Protección Personalizada Federada de Un Solo Disparo (OFPP-GAN). En primer lugar, este esquema emplea privacidad diferencial personalizada dual para lograr protección de privacidad. Ajusta la escala de ruido y el umbral de recorte en función de los cambios de gradiente durante el entrenamiento del modelo de manera personalizada, mejorando así el rendimiento del modelo generativo mientras se protege la privacidad. Además, el esquema adopta el paradigma de aprendizaje federado de un solo disparo, donde cada cliente carga su modelo local que contiene información privada solo una vez durante todo el proceso de entrenamiento. Este enfoque no solo reduce el riesgo de fuga de privacidad, sino que también disminuye la sobrecarga de comunicación de todo el sistema. Finalmente, validamos la efectividad del método propuesto a través de análisis teóricos y experimentos. En comparación con los métodos existentes, el modelo generativo entrenado con OFPP-GAN demuestra una seguridad, eficiencia y robustez superiores.