L'apprentissage non supervisé de modèles probabilistes est un problème central mais complexe en apprentissage automatique. Plus précisément, concevoir des modèles dotés d'un apprentissage, d'un échantillonnage, d'une inférence et d'une évaluation réalisables est essentiel pour résoudre cette tâche. Nous étendons l'espace de ces modèles en utilisant des transformations réelles non préservant le volume (real NVP), un ensemble de transformations puissantes, inversibles et apprenables, aboutissant à un algorithme d'apprentissage non supervisé avec un calcul exact de la log-vraisemblance, un échantillonnage exact, une inférence exacte des variables latentes et un espace latent interprétable. Nous démontrons sa capacité à modéliser des images naturelles sur quatre jeux de données par l'échantillonnage, l'évaluation de la log-vraisemblance et la manipulation des variables latentes.