Nous proposons une architecture de générateur alternative pour les réseaux de neurones adversariaux génératifs, en nous inspirant des travaux sur le transfert de style. Cette nouvelle architecture permet une séparation automatique et non supervisée des attributs de haut niveau (par exemple, la posture et l'identité lorsqu'elle est entraînée sur des visages humains) et des variations stochastiques dans les images générées (par exemple, les taches de rousseur, les cheveux), et elle offre un contrôle intuitif et spécifique à l'échelle de la synthèse. Le nouveau générateur améliore l'état de l'art en termes de métriques traditionnelles de qualité de distribution, conduit à des propriétés d'interpolation nettement meilleures et désentrelace également mieux les facteurs latents de variation. Pour quantifier la qualité d'interpolation et le désentrelacement, nous proposons deux nouvelles méthodes automatisées applicables à toute architecture de générateur. Enfin, nous introduisons un nouveau jeu de données comprenant des visages humains très variés et de haute qualité.