El Muestreo de Destilación de Puntuaciones (SDS) es un método reciente pero ampliamente popular que se basa en modelos de difusión de imágenes para controlar problemas de optimización con indicaciones de texto. Este artículo analiza en profundidad la función de pérdida de SDS, identifica problemas inherentes en su formulación y propone una solución inesperada pero efectiva. Específicamente, descomponemos la pérdida en diferentes factores y aislamos el componente que genera gradientes ruidosos. En la formulación original, se utiliza una alta guía de texto para explicar el ruido, lo que lleva a efectos secundarios negativos. En cambio, entrenamos una red neuronal superficial para simular la insuficiencia de eliminación de ruido relacionada con el paso de tiempo del modelo de difusión de imágenes y, de este modo, descomponerla eficazmente. Demostramos la versatilidad y eficacia de nuestra novedosa formulación de pérdida mediante múltiples experimentos cualitativos y cuantitativos, incluyendo la síntesis y edición de imágenes basadas en optimización, el entrenamiento de redes de conversión de imágenes de cero muestra y la síntesis de texto a 3D.