L'évaluation de la qualité des images sans référence (NR-IQA) vise à développer des méthodes pour mesurer la qualité des images en accord avec la perception humaine, sans nécessiter d'image de référence de haute qualité. Dans ce travail, nous proposons une approche auto-supervisée nommée ARNIQA (leArning distoRtion maNifold for Image Quality Assessment), destinée à modéliser le variété de distorsion des images afin d'obtenir des représentations de qualité de manière intrinsèque. Tout d'abord, nous introduisons un modèle de dégradation d'image qui compose aléatoirement des séquences ordonnées de distorsions appliquées consécutivement. De cette façon, nous pouvons dégrader synthétiquement les images avec une grande variété de motifs de dégradation. Ensuite, nous proposons d'entraîner notre modèle en maximisant la similarité entre les représentations de patches d'images différentes mais dégradées de manière équivalente, malgré leur contenu variable. Ainsi, les images dégradées de la même manière occupent des positions voisines au sein du variété de distorsion.Enfin, nous cartographions les représentations d'images sur les scores de qualité à l'aide d'un régresseur linéaire simple, sans ajustement fin des poids du codeur. Les expériences montrent que notre approche atteint des performances parmi les meilleures sur plusieurs jeux de données. De plus, ARNIQA fait preuve d'une meilleure efficacité en termes de données, ainsi que d'une meilleure généralisation et robustesse comparativement aux méthodes concurrentes. Le code source et le modèle sont disponibles publiquement sur https://github.com/miccunifi/ARNIQA.