In den letzten Jahren konzentrierten sich die wichtigsten Forschungsinnovationen im Bereich der Gesichtserkennung darauf, tiefgreifende neuronale Netze mit Hilfe von multiklassigen Klassifikationsverlustfunktionen auf umfangreichen Identitätsdatensätzen zu trainieren. Viele dieser Datensätze wurden jedoch von ihren Erstellern zurückgezogen, aufgrund gestiegener Bedenken bezüglich Datenschutz und Ethik. Sehr kürzlich wurde vorgeschlagen, datenschutzfreundliche synthetische Daten als Alternative zu datenschutzsensiblen authentischen Daten zu verwenden, um den Datenschutzvorschriften gerecht zu werden und die Fortsetzung der Forschung zur Gesichtserkennung sicherzustellen. In dieser Arbeit schlagen wir ein unüberwachtes Gesichtserkennungsmodell vor, das auf nicht annotierten synthetischen Daten basiert (USynthFace). Unser vorgeschlagenes USynthFace lernt, die Ähnlichkeit zwischen zwei augmentierten Bildern derselben synthetischen Instanz zu maximieren. Dies ermöglichen wir durch eine große Menge an geometrischen und Farbtransformationen sowie durch GAN-basierte Augmentierung, die zur Schulung des USynthFace-Modells beiträgt. Wir führen zudem zahlreiche empirische Studien an verschiedenen Komponenten unseres USynthFace durch. Mit dem vorgeschlagenen Satz von Augmentationsoperationen haben wir die Effektivität unseres USynthFace nachgewiesen, bei der Erreichung relativ hoher Erkennungsrate unter Verwendung nicht annotierter synthetischer Daten.