Este artículo propone una arquitectura de modelo GAN (red generativa adversaria) basada en discriminadores adaptativos con diferentes políticas de escalado y aumento para investigar e identificar los casos de niños perdidos incluso después de varios años (ya que la morfología facial humana cambia después de ciertos años). Se analiza una distribución de probabilidad uniforme con técnicas de aumento aleatorio y automático combinadas para generar la apariencia futura de los rostros de niños perdidos. Se aplican X-flip y rotación periódicamente durante el blitting de píxeles para mejorar la precisión a nivel de píxeles. Con un escalado anisotrópico, las imágenes fueron generadas por el generador. Se realizó una interpolación bilineal durante el muestreo ascendente configurando la reflexión del relleno durante la transformación geométrica. Los cuatro puntos de datos más cercanos se utilizaron para estimar dicha interpolación en un nuevo punto durante la interpolación bilineal. La transformación de color se aplicó con la inversión de Luma en las matrices de rotación que se distribuyen logarítmicamente para la saturación. Los componentes de inversión de luma utilizan la información de brillo y color de cada píxel como crominancia. Se implementaron varios escalados y modificaciones, combinados con la arquitectura StyleGan ADA, utilizando la GPU NVIDIA V100. El método FLM produce una puntuación BRISQUE entre 10 y 30. El artículo utiliza los parámetros MSE, RMSE, PSNR y SSMIM para comparar con los modelos de vanguardia. Utilizando el Índice de Calidad Universal (UQI), la salida generada por el modelo FLM mantiene una alta calidad. El modelo propuesto obtiene puntuaciones generales de ERGAS (12 k-23 k), SCC (0.001-0.005), RASE (1 k-4 k), SAM (0.2-0.5) y VIFP (0.02-0.09).