Presentamos un modelo generativo basado en aprendizaje profundo para la mejora de imágenes difractivas parcialmente coherentes. En la imagen difractiva coherente sin lentes, se requiere una iluminación de rayos X altamente coherente para obtener una imagen de un objeto con alta resolución. Las condiciones experimentales no ideales resultan en una iluminación de rayos X parcialmente coherente, lo que conduce a imperfecciones en las imágenes difractivas coherentes registradas en un detector y, en última instancia, limita la capacidad de la imagen difractiva coherente sin lentes. Los enfoques anteriores, que dependen de la propiedad de coherencia de la iluminación, requieren experimentos preliminares o cálculos costosos. En este artículo, proponemos un modelo de red generativa adversarial (GAN) para mejorar la visibilidad de los patrones en imágenes difractivas parcialmente coherentes. A diferencia de los enfoques anteriores, el modelo se entrena para restaurar las características agudas latentes a partir de imágenes de entrada borrosas sin encontrar propiedades de coherencia de la iluminación. Demostramos que el modelo GAN funciona bien tanto con la imagen difractiva coherente como con la ptycografía. Se puede aplicar a una amplia gama de técnicas de imagen que dependen de la recuperación de fase de patrones de difracción coherente.