Del mismo modo que la mayoría de las aplicaciones de aprendizaje profundo, diagnosticar enfermedades de la piel utilizando visión por computadora y aprendizaje profundo a menudo requiere un gran volumen de datos. Sin embargo, obtener datos suficientes para tipos particulares de condiciones de la piel facial puede ser difícil debido a preocupaciones de privacidad. Como resultado, condiciones como la rosácea a menudo son poco estudiadas en el diagnóstico asistido por computadora. La disponibilidad limitada de datos para condiciones de la piel facial ha llevado a la investigación de métodos alternativos de diagnóstico asistido por computadora. En los últimos años, las redes generativas adversarias (GAN), principalmente variantes de StyleGAN, han demostrado resultados prometedores en la generación de imágenes faciales sintéticas. En este estudio, por primera vez, se utilizó un pequeño conjunto de datos de rosácea con 300 imágenes de rostros completos para investigar aún más la posibilidad de generar datos sintéticos. Nuestra experimentación demostró que la fuerza de la regularización es crucial para generar imágenes de rosácea de alta fidelidad utilizando unas pocas cientos de imágenes. Esto se complementó con varios ajustes experimentales para garantizar la convergencia del modelo. Generamos con éxito 300 imágenes sintéticas de alta calidad, contribuyendo significativamente al limitado conjunto de imágenes de rosácea para el diagnóstico asistido por computadora. Además, nuestras evaluaciones cualitativas realizadas por 3 dermatólogos expertos y 23 no especialistas destacaron la representación realista de las características de la rosácea en las imágenes sintéticas. También proporcionamos un análisis crítico de las evaluaciones cuantitativas y discutimos las limitaciones de depender únicamente de métricas de validación en el campo del diagnóstico clínico de imágenes asistido por computadora.