Die Bildqualität von Gesichtern ist ein wichtiger Faktor, um hochleistungsfähige Gesichtserkennungssysteme zu ermöglichen. Die Bewertung der Gesichtsqualität zielt darauf ab, die Eignung eines Gesichtsbildes für die Erkennung zu schätzen. Frühere Arbeiten schlugen überwachte Lösungen vor, die künstlich oder menschlich beschriftete Qualitätsbewertungen erfordern. Beide Beschriftungsmechanismen sind jedoch fehleranfällig, da sie auf keiner klaren Definition von Qualität basieren und möglicherweise nicht die besten Merkmale für das verwendete Gesichtserkennungssystem kennen. Um ungenaue Qualitätslabels zu vermeiden, haben wir einen neuen Ansatz vorgeschlagen, um die Gesichtsqualität anhand eines beliebigen Gesichtserkennungsmodells zu messen. Durch die Bestimmung der Einbettungsvariationen, die von zufälligen Untergraphen eines Gesichtsmodells generiert werden, wird die Robustheit einer Stichprobenrepräsentation und damit deren Qualität geschätzt. Die Experimente werden in einem cross-database-Evaluierungsszenario an drei öffentlich zugänglichen Datenbanken durchgeführt. Wir vergleichen unsere vorgeschlagene Lösung bei zwei Gesichtseinbettungen mit sechs Stand-of-the-Art-Methoden aus Wissenschaft und Industrie. Die Ergebnisse zeigen, dass unsere unüberwachte Lösung in den meisten untersuchten Szenarien alle anderen Ansätze übertrifft. Im Gegensatz zu früheren Arbeiten zeigt der vorgeschlagene Ansatz eine stabile Leistung in allen Szenarien. Die Nutzung des bereitgestellten Gesichtserkennungsmodells für unsere Methode zur Bewertung der Gesichtsqualität vermeidet vollständig das Training und verbessert alle Baseline-Methoden erheblich. Unsere Lösung kann leicht in aktuelle Gesichtserkennungssysteme integriert werden und lässt sich auch auf Aufgaben außerhalb der Gesichtserkennung anpassen.