Las aplicaciones de reconocimiento facial han facilitado el proceso de identificación personal. Sin embargo, existen preocupaciones crecientes sobre el rendimiento de estos sistemas frente a los desafíos de ataques de presentación, suplantación y disfraces. Una de las razones de la falta de robustez de los algoritmos de reconocimiento facial en estos desafíos es la cantidad limitada de datos de entrenamiento adecuados. Esta falta de datos de entrenamiento puede abordarse creando una base de datos con sujetos que tengan varios disfraces, pero este es un proceso costoso. Otro enfoque es utilizar redes generativas adversarias para sintetizar imágenes faciales con los accesorios de disfraz requeridos. En este documento, presentamos una base de datos facial sintética disfrazada para el entrenamiento y la evaluación de algoritmos robustos de reconocimiento facial. Además, presentamos una metodología para generar imágenes faciales sintéticas con los accesorios de disfraz deseados. Se utiliza una pérdida de consistencia cíclica para generar imágenes faciales con disfraces, por ejemplo, barbas falsas, maquillaje y gafas, a partir de imágenes faciales normales. Además, se presenta un esquema de filtrado automatizado para el filtrado de datos automatizado de las caras sintetizadas. Finalmente, se realizan experimentos de reconocimiento facial en los datos sintéticos propuestos para mostrar la eficacia de la metodología propuesta y la base de datos presentada. El entrenamiento en la base de datos propuesta logra una mejora en la tasa de reconocimiento de rango 1 (68.3%), en comparación con un modelo entrenado en las imágenes faciales originales no disfrazadas.