نعرّف عائلة أوسع من عمليات التلوث التي تعمّم النماذج التفاضلية المعروفة سابقًا. ولعكس هذه التفاضلات العامة، نقترح هدفًا جديدًا يُسمّى "مطابقة المُعدّل اللين" (Soft Score Matching)، الذي يُثبت أنه يتعلم دالة المُعدّل (score function) لأي عملية تلوث خطية، ويُحقّق نتائج من الطراز الرائد على مجموعة بيانات CelebA. يدمج مطابقة المُعدّل اللين عملية التدهور داخل الشبكة العصبية. يُدرّب خسارة جديدة النموذج على توقع صورة نظيفة، بحيث تُطابق بعد التلوث الملاحظة المُتفلّتة. نُظهر أن هذا الهدف يتعلم مُشتقة احتمالية الظهور (likelihood) تحت شروط منتظمة مناسبة لعائلة من عمليات التلوث. كما نطوّر طريقة مبنية على أسس منطقية لاختيار مستويات التلوث في العمليات التفاضلية العامة، ونقدّم طريقة عينة جديدة نُسمّيها "مُعدّل الزخم" (Momentum Sampler). نُظهر تجريبيًا أن إطارنا يعمل بكفاءة مع عمليات تلوث خطية عامة، مثل الضبابية الجاوسية والتمويه (masking). ونحقّق أفضل نتيجة مُحقّقة على مستوى FID بقيمة 1.85 على مجموعة CelebA-64، متفوّقًا على جميع النماذج التفاضلية الخطية السابقة. كما نُظهر مزايا حاسوبية كبيرة مقارنة بالنماذج التفاضلية التقليدية المُعالجة من الضوضاء.