La tomografía computarizada de haz cónico (CBCT) tiene un valor clínico significativo en la radioterapia guiada por imagen (IGRT). Sin embargo, las imágenes de CBCT de tejidos blandos de baja densidad suelen estar plagadas de artefactos y ruido, lo que puede llevar a diagnósticos erróneos y mal diagnósticos. Proponemos un nuevo algoritmo de corrección de artefactos de imagen de CBCT no supervisado, llamado Difusión de Convolución Espacial (ScDiff), basado en un modelo de difusión condicional, que combina la capacidad de aprendizaje no supervisado de redes adaptativas generativas (GAN) con las características de entrenamiento estables de los modelos de difusión. Este enfoque puede lograr de manera eficiente y estable la corrección de artefactos de imagen de CBCT, lo que resulta en imágenes de CBCT claras y realistas con estructuras anatómicas completas. El modelo propuesto puede mejorar efectivamente la calidad de imagen de CBCT. Los resultados obtenidos pueden reducir los artefactos preservando la estructura anatómica de las imágenes de CBCT. Comparamos el método propuesto con varios métodos basados en GAN y difusión. Nuestro método logró la mejor calidad de imagen corregida y las mejores métricas de evaluación.