أصبح تطوير نماذج توليد الصور التي تكون مقاومة للقيم الشاذة أثناء عملية التدريب موضوعًا يجذب انتباه المجتمع البحثي مؤخرًا. وبسبب سهولة دمج النقل الأمثل غير المتوازن (UOT) في الإطار التنافسي، ركزت الدراسات السابقة بشكل رئيسي على تطوير إطارات مقاومة لنموذج التوليد التنافسي (GAN). في الوقت نفسه، أصبحت نماذج التبديد (Diffusion Models) تهيمن على نماذج GAN في مجموعة متنوعة من المهام والبيانات. ومع ذلك، وفقًا لمعرفتنا، لا تتمتع أي من هذه النماذج بمقاومة تجاه البيانات المُتضررة. مستلهمين من نموذج DDGAN، نقدم في هذا العمل أول نموذج تبديد مقاوم للقيم الشاذة. ونقترح استبدال النموذج التوليدي القائم على UOT في DDGAN لتعلم عملية التبديد العكسي. علاوةً على ذلك، نُظهر أن خاصية ليبيتشيت (Lipschitz) للانفصال في إطارنا تسهم في تحقيق تقارب أكثر استقرارًا أثناء التدريب. ومن الملاحظ بشكل مميز أن طريقة عملنا لا تتميز فقط بالمقاومة تجاه البيانات المُتضررة، بل تحقق أيضًا أداءً متفوقًا على البيانات النظيفة.