본 논문은 3D point cloud의 프라이버시 문제를 정의하고, 이를 해결하기 위한 효율적인 프라이버시 보존 프레임워크인 PointFlowGMM을 제안합니다. PointFlowGMM은 flow-based generative model을 사용하여 point cloud를 잠재적인 Gaussian mixture distributed subspace로 투영합니다. 새로운 각도 유사성 손실 함수를 설계하여 원래의 기하학적 구조를 난독화하고 모델 크기를 767MB에서 120MB로 줄이면서 인식 성능 저하 없이 프라이버시를 보장합니다. 잠재 공간에서 투영된 point cloud는 직교 회전을 통해 추가적으로 보호되며, 클래스 간 관계는 회전 후에도 유지되어 보호된 point cloud가 인식 작업을 지원할 수 있습니다. 여러 데이터셋에서 평가한 결과, 암호화된 point cloud에서도 원본 point cloud와 비교 가능한 인식 결과를 달성했습니다.
