Die Entwicklung von bildgenerativen Modellen, die robust gegenüber Ausreißern im Trainingsprozess sind, hat in letzter Zeit erhebliche Aufmerksamkeit in der Forschungsgemeinschaft gefunden. Aufgrund der einfachen Integration von unbalanciertem optimalen Transport (UOT) in adversarische Rahmenwerke konzentrieren sich bestehende Arbeiten hauptsächlich auf die Entwicklung robuster Frameworks für generative adversarische Netze (GAN). Gleichzeitig haben Diffusionsmodelle in verschiedenen Aufgaben und Datensätzen kürzlich GAN in der Dominanz abgelöst. Allerdings, soweit uns bekannt ist, sind bisher keine dieser Modelle robust gegenüber beschädigten Datensätzen. Ausgehend von DDGAN präsentieren wir in dieser Arbeit das erste Diffusionsmodell, das gegenüber Ausreißern robust ist. Wir schlagen vor, das auf UOT basierende generative Modell in DDGAN zu ersetzen, um den Rückwärts-Diffusionsprozess zu lernen. Zudem zeigen wir, dass die Lipschitz-Eigenschaft der Divergenz in unserem Framework zu einer stabileren und konvergenteren Trainingsdynamik beiträgt. Bemerkenswert ist, dass unsere Methode nicht nur robust gegenüber gestörten Datensätzen ist, sondern zudem eine überlegene Leistung auf sauberen Datensätzen erzielt.