La capacité d'estimer automatiquement la qualité et la couverture des échantillons produits par un modèle génératif est une exigence essentielle pour stimuler la recherche algorithmique. Nous présentons une métrique d'évaluation qui peut mesurer séparément et de manière fiable ces deux aspects dans les tâches de génération d'images en formant des représentations explicites et non paramétriques des variétés de données réelles et générées. Nous démontrons l'efficacité de notre métrique dans StyleGAN et BigGAN en fournissant plusieurs exemples illustratifs où les métriques existantes produisent des résultats non informatifs ou contradictoires. De plus, nous analysons plusieurs variantes de conception de StyleGAN afin de mieux comprendre les relations entre l'architecture du modèle, les méthodes d'entraînement et les propriétés de la distribution des échantillons résultants. Dans ce processus, nous identifions de nouvelles variantes qui améliorent l'état de l'art. Nous effectuons également la première analyse fondée sur des principes des méthodes de troncature et identifions une méthode améliorée. Enfin, nous étendons notre métrique pour estimer la qualité perceptive des échantillons individuels, et utilisons cette extension pour étudier les interpolations dans l'espace latent.