باستخدام سلسلة انتشار أمامية لرسم خريطة البيانات تدريجيًا إلى توزيع ضجيج، تتعلم النماذج التوليدية القائمة على الانتشار كيفية إنشاء البيانات من خلال استنتاج سلسلة انتشار عكسية. ومع ذلك، فإن هذا النهج بطيء ومرتفع التكلفة لأنه يتطلب عددًا كبيرًا من الخطوات الأمامية والعكسية. نقترح نهجًا أسرع وأقل تكلفة، حيث يتم إضافة الضجيج لا حتى تصبح البيانات عشوائية بالكامل، بل حتى تصل إلى توزيع ضجيج مخفي يمكننا التعلم منه بثقة. ثم نستخدم عددًا أقل من الخطوات العكسية لإنشاء البيانات، وذلك بالبدء من هذا التوزيع المخفي الذي يُصمم ليكون مشابهًا لتوزيع الضجيج. نكشف أن النموذج المقترح يمكن صياغته على شكل مُشفّر تلقائي مُعادٍ يُعزز بعملية الانتشار وواحدة من الاحتمالات الضمنية القابلة للتعلم. تُظهر النتائج التجريبية أنه حتى مع عدد مقلل بشكل كبير من خطوات الانتشار العكسي، يمكن للنماذج الاحتمالية للانتشار المقطوعة المقترحة أن تُقدّم تحسينات مستمرة مقارنة بالنماذج غير المقطوعة من حيث الأداء في كلا النوعين: إنشاء الصور دون قيود وصورة موجهة بالنص.