Les méthodes existantes basées sur l'apprentissage profond pour compresser les attributs des Nuages de Points (NdP) utilisent généralement des autoencodeurs variationnels (VAE). Toutefois, ces schémas souffrent d'une qualité de reconstruction limitée aux débits élevés. Nous proposons une architecture basée sur Normalizing Flow (NF), appelée NF-PCAC, comme alternative. Les NFs sont des réseaux inversibles qui permettent une reconstruction de haute qualité. Nous proposons aussi une amélioration de l'architecture avec une complexité réduite, appelée RNFPCAC. Elle se compose de deux modes de fonctionnement spécialisés : un pour les bas débits et un pour les hauts débits. Notre approche réduit le nombre de paramètres de NF-PCAC de plus de 6×. Nos architectures surpassent les méthodes précédentes basées sur l'apprentissage pour la compression d'attributs et nous atteignons des performances comparables à celles de G-PCC (v.21)