Amostragem de Destilação de Pontuação (SDS) é um método recente, mas já amplamente utilizado, que se baseia em modelos de difusão de imagens para controlar problemas de otimização utilizando prompts de texto. Este artigo analisa profundamente a função de perda SDS, identifica problemas inerentes à sua formulação e propõe uma solução inesperada, mas eficaz. Especificamente, decompomos a perda em diferentes fatores e isolamos o componente que gera gradientes ruidosos. Na formulação original, a alta orientação de texto é usada para explicar o ruído, levando a efeitos colaterais indesejáveis. Em vez disso, treinamos uma rede neural rasa que simula a insuficiência de remoção de ruído dependente do passo temporal do modelo de difusão de imagem para, efetivamente, separar esse componente. Demonstramos a versatilidade e eficácia da nossa nova formulação de perda por meio de diversos experimentos qualitativos e quantitativos, incluindo síntese e edição de imagens baseadas em otimização, treinamento de redes de conversão de imagens de zero-shot e síntese de texto para 3D.