El rendimiento de los métodos existentes de progresión o regresión de la edad facial a menudo se ve limitado por la falta de datos suficientes para entrenar el modelo. Para hacer frente a este problema, presentamos un marco novedoso que explota imágenes sintetizadas para mejorar el rendimiento. Se desarrolla primero una red generativa adversarial condicional (GAN) para generar imágenes faciales con edades específicas. Se propone el GAN semisupervisado, llamado SS-FaceGAN. Este enfoque considera imágenes sintetizadas con una edad objetivo y las imágenes faciales de los datos reales para que las características de edad e identidad puedan ser explícitamente utilizadas en la función objetivo de la red. Analizamos el rendimiento de nuestro método sobre estudios anteriores cualitativa y cuantitativamente. Los resultados experimentales muestran que el modelo SS-FaceGAN puede producir rostros humanos realistas en términos de preservación de la identidad y la edad con resultados cuantitativos de una tasa de detección de rostros decente del 97% y una puntuación de similitud de 0.30 en promedio.