Dans cet article, nous évaluons la qualité perçue des images en utilisant des représentations parcimonieuses obtenues à partir de bases de données d'images génériques par une approche d'apprentissage non supervisé. Une transformation d'espace de couleur, une soustraction de moyenne et une opération de blanchiment sont appliquées pour améliorer la descriptivité des images en réduisant la redondance spatiale ; un décodeur linéaire est utilisé pour obtenir des représentations parcimonieuses ; et une étape de seuillage est utilisée pour formuler les mécanismes de suppression dans un système visuel. Le décodeur linéaire est entraîné avec 7 Go de données, correspondant à 100 000 patches d'images 8x8 extraits aléatoirement d'environ 1 000 images de la base de données ImageNet 2013. Une approche d'entraînement par patch est privilégiée afin de maintenir l'information locale. L'estimateur de qualité proposé, UNIQUE, est testé sur les bases de données LIVE, Multiply Distorted LIVE et TID 2013, et comparé à treize estimateurs de qualité. Les résultats expérimentaux montrent que UNIQUE est généralement un estimateur de qualité performant en termes de précision, cohérence, linéarité et comportement monotone.