Les modèles autorégressifs figurent parmi les estimateurs de densité neuronaux les plus performants. Nous décrivons une approche visant à augmenter la flexibilité d'un modèle autorégressif, basée sur la modélisation des nombres aléatoires que le modèle utilise internement lors de la génération de données. En construisant une pile de modèles autorégressifs, chacun modélisant les nombres aléatoires du modèle suivant dans la pile, nous obtenons un type de flux normalisant adapté à l'estimation de densité, que nous appelons Flux Autorégressif Masqué (Masked Autoregressive Flow). Ce type de flux est étroitement lié au Flux Autorégressif Inverse et constitue une généralisation du Real NVP. Le Flux Autorégressif Masqué atteint des performances de pointe dans une variété de tâches d'estimation de densité à usage général.