Clasificar estilos pictóricos en obras de arte es un desafío complejo debido a la diversidad y la falta de conjuntos de datos disponibles, lo que a menudo limita el rendimiento de los modelos de aprendizaje automático. Para abordar este problema, proponemos un enfoque novedoso de aumento de datos utilizando modelos de Difusión en contraste con técnicas de aumento tradicionales. Nuestro método genera nuevas muestras basadas en los datos existentes, expandiendo el conjunto de datos disponible y mejorando la capacidad de generalización de los modelos de clasificación. Evaluamos la efectividad de esta técnica de aumento de datos entrenando modelos de aprendizaje profundo con diferentes proporciones de datos aumentados y reales, y evaluando su rendimiento en la clasificación de estilos pictóricos. Nuestros resultados demuestran que el aumento basado en el modelo de Difusión propuesto mejora significativamente la precisión de la clasificación, lo que sugiere que puede ser una solución viable para superar las limitaciones de datos en aplicaciones similares.