تنمو نماذج التشتت القائمة على التقييم (Score-based diffusion models) لعكس معادلة تفاضلية عشوائية (stochastic differential equation) التي تحوّل البيانات إلى ضوضاء. ومع ذلك، في المهام المعقدة، يمكن أن تتراكم الأخطاء العددية وتؤدي إلى عينات غير طبيعية للغاية. سبق أن عالجت الدراسات السابقة هذه الانحرافات باستخدام تقنية التقييد (thresholding)، التي تقوم بعملية تProjection إلى مجال البيانات الطبيعية (مثل فضاء البكسل في الصور) بعد كل خطوة من خطوات التشتت، لكن هذا يؤدي إلى تباين بين عمليتي التدريب والتصنيع. ولإدراج قيود البيانات بطريقة منهجية، نقدّم نماذج التشتت المنعكسة (Reflected Diffusion Models)، التي تعكس بدلًا من ذلك معادلة تفاضلية عشوائية منعكسة تتطور على دعم البيانات. تتعلم طريقةنا دالة التقييم المُضطربة (perturbed score function) من خلال دالة مطابقة التقييم المعمّمة (generalized score matching loss)، وتوسّع المكونات الأساسية لنماذج التشتت القياسية، بما في ذلك التوجيه التشتتي (diffusion guidance)، والتدريب القائم على الاحتمال (likelihood-based training)، وعينة المعادلات التفاضلية العادية (ODE sampling). كما نسدّ الفجوة النظرية بين هذه الأساليب وتقنيات التقييد: فهذه التقنيات لا تمثل سوى تجريدات رقمية (discretizations) لمعادلات SDE المنعكسة. وعلى معايير الصور القياسية، تُظهر طريقة لدينا تنافسية مع أو تفوق الحد الأقصى الحالي دون الحاجة إلى تعديلات معمارية، وعند استخدام التوجيه الخالي من الفئة (classifier-free guidance)، تتيح طريقتنا عينات سريعة ودقيقة باستخدام المعادلات التفاضلية العادية، وتُنتج عينات أكثر واقعية عند استخدام أوزان توجيه عالية.