Cet article aborde la question de la confidentialité des nuages de points 3D. Contrairement aux recherches existantes sur la confidentialité des images 2D, nous nous concentrons sur la structure géométrique 3D des nuages de points 3D sans texture. Nous proposons un cadre efficace de préservation de la confidentialité appelé PointFlowGMM, qui prend en charge des tâches ultérieures telles que la classification et la segmentation sans accès aux données d'origine. À l'aide d'un modèle génératif basé sur les flux, nous projetons le nuage de points dans un sous-espace de distribution de mélange gaussien latent. Nous concevons ensuite une nouvelle fonction de perte de similarité angulaire pour masquer la géométrie d'origine et réduire la taille du modèle de 767 Mo à 120 Mo. Le nuage de points projeté dans l'espace latent est davantage protégé par une rotation orthogonale, et les relations inter-classes sont préservées même après rotation pour faciliter les tâches de reconnaissance. Nous avons évalué notre approche sur plusieurs jeux de données, obtenant des résultats de reconnaissance comparables à ceux du nuage de points d'origine.
