La transformée de diffusion par ondelettes crée des invariants géométriques et une stabilité aux déformations. Dans plusieurs domaines de signaux, elle a été montrée comme produisant des représentations plus discriminantes par rapport à d'autres représentations non apprises et surpassant les représentations apprises dans certaines tâches, en particulier sur des données étiquetées limitées et des signaux hautement structurés. Les filtres d'ondelettes utilisés dans la transformée de diffusion sont généralement sélectionnés pour créer un cadre serré via une ondelette mère paramétrée. Dans ce travail, nous examinons si cette construction standard de banque de filtres d'ondelettes est optimale. En nous concentrant sur les ondelettes de Morlet, nous proposons d'apprendre les échelles, orientations et rapports d'aspect des filtres afin de produire des paramétrisations spécifiques au problème de la transformée de diffusion. Nous montrons que nos versions apprises de la transformée de diffusion offrent des gains de performance significatifs dans les contextes de classification avec petits échantillons par rapport à la transformée de diffusion standard. De plus, nos résultats empiriques suggèrent que les constructions traditionnelles de banque de filtres ne sont pas toujours nécessaires pour que les transformées de diffusion extraient des représentations efficaces.