La qualité des images de visage est un facteur important pour permettre le fonctionnement à haute performance des systèmes de reconnaissance faciale. L'évaluation de la qualité des visages vise à estimer l'adéquation d'une image de visage pour la reconnaissance. Les travaux précédents ont proposé des solutions supervisées nécessitant des valeurs de qualité étiquetées artificiellement ou par des humains. Cependant, ces deux mécanismes d'étiquetage sont sujets aux erreurs car ils ne reposent pas sur une définition claire de la qualité et peuvent ne pas connaître les meilleures caractéristiques pour le système de reconnaissance faciale utilisé. Pour éviter l'utilisation d'étiquettes de qualité inexactes, nous avons proposé un nouveau concept pour mesurer la qualité des visages basé sur un modèle de reconnaissance faciale arbitraire. En déterminant les variations d'embedding générées par des sous-réseaux aléatoires d'un modèle facial, la robustesse de la représentation d'un échantillon, et donc sa qualité, est estimée. Les expériences sont menées dans un cadre d'évaluation inter-bases sur trois bases de données publiquement disponibles. Nous comparons notre solution proposée à deux embeddings faciaux contre six approches de pointe issues du milieu académique et industriel. Les résultats montrent que notre solution non supervisée surpassent toutes les autres approches dans la majorité des scénarios examinés. Contrairement aux travaux antérieurs, notre solution propose une performance stable dans tous les scénarios. L'utilisation du modèle de reconnaissance faciale déployé pour notre méthodologie d'évaluation de la qualité des visages évite complètement la phase d'entraînement et améliore considérablement toutes les approches de base par une marge importante. Notre solution peut être facilement intégrée aux systèmes actuels de reconnaissance faciale et peut être adaptée à d'autres tâches au-delà de la reconnaissance faciale.