La reconnaissance faciale est de plus en plus utilisée dans des applications du monde réel ces dernières années. Toutefois, lorsque le biais de couleur de peau s’ajoute aux variations intra-individuelles telles que l’éclairage intense, la tâche de reconnaissance faciale devient plus sujette à échec, même lors d’une inspection humaine. Les méthodes de normalisation faciale tentent de relever ces défis en éliminant les variations intra-individuelles d’une image d’entrée tout en préservant l’identité. Toutefois, la plupart des méthodes de normalisation faciale ne parviennent à supprimer qu’une ou deux variations, tout en ignorant les biais présents dans les jeux de données, comme le biais de couleur de peau. De plus, les sorties de nombreuses méthodes de normalisation faciale manquent de réalisme aux yeux des observateurs humains. Dans ce travail, nous proposons un modèle de normalisation faciale basé sur le style (StyleFNM) capable d’éliminer la plupart des variations intra-individuelles, notamment des changements importants d’angle de vue, un éclairage défavorable ou intense, une faible résolution, le flou, les expressions faciales, ainsi que des accessoires comme des lunettes de soleil. Le biais du jeu de données est également traité en contrôlant un GAN préentraîné afin de générer un jeu de données équilibré composé d’images de type passeport. Les résultats expérimentaux montrent que StyleFNM produit des sorties plus réalistes et améliore de manière significative la précision et l’équité des systèmes de reconnaissance faciale.