Este artículo aborda la cuestión de la privacidad de las nubes de puntos 3D. A diferencia de la investigación existente sobre la privacidad de imágenes 2D, nos centramos en la estructura geométrica 3D de las nubes de puntos 3D sin textura. Proponemos un marco eficiente que preserva la privacidad, denominado PointFlowGMM, que facilita tareas posteriores como la clasificación y la segmentación sin acceder a los datos originales. Utilizando un modelo generativo basado en flujo, proyectamos la nube de puntos en un subespacio de distribución de mezcla gaussiana latente. A continuación, diseñamos una novedosa función de pérdida por similitud angular para ofuscar la geometría original y reducir el tamaño del modelo de 767 MB a 120 MB. La nube de puntos proyectada en el espacio latente se protege aún más mediante la rotación ortogonal, y las relaciones entre clases se conservan incluso después de la rotación para facilitar las tareas de reconocimiento. Evaluamos nuestro enfoque en múltiples conjuntos de datos, obteniendo resultados de reconocimiento comparables a los de la nube de puntos original.
