La reparación de defectos óseos craneomaxilofaciales presenta desafíos significativos en cirugía oral y maxilofacial debido a la anatomía compleja de la región y su impacto sustancial en la función fisiológica, apariencia estética y calidad de vida de los pacientes. La reconstrucción inexacta puede resultar en complicaciones graves, incluyendo deterioro funcional y trauma psicológico. Los métodos tradicionales tienen limitaciones notables para defectos complejos, subrayando la necesidad de enfoques computacionales avanzados para lograr una reconstrucción personalizada de alta precisión. Este estudio presenta la Red de Difusión Interna (IDNet), un marco novedoso que integra un modelo de difusión en una red en forma de U estándar para extraer información valiosa de los datos de entrada y producir representaciones de alta resolución para la segmentación médica en 3D. Se diseñó un módulo de Fusión de Incertidumbre de Pasos para mejorar la robustez de la predicción mediante la combinación de salidas del modelo de difusión en cada paso de inferencia. El modelo fue evaluado en un conjunto de datos que consistía en 125 reconstrucciones 3D de cráneos humanos normales y 2625 defectos óseos craneomaxilofaciales simulados. La evaluación cuantitativa reveló que IDNet superó a los métodos convencionales, incluidos UNETR y 3D U-Net, en métricas clave: Coeficiente de Similitud de Dice (DSC), Tasa de Verdaderos Positivos (RECALL) y Distancia de Hausdorff del percentil 95 (HD95). El enfoque logró un DSC promedio de 0.8140, RECALL de 0.8554 y HD95 de 4.35 mm en siete tipos de defectos, superando sustancialmente a los métodos de comparación. Este estudio demuestra las significativas ventajas de rendimiento de los enfoques basados en modelos de difusión en la reparación de defectos óseos craneomaxilofaciales, con posibles implicaciones para aumentar las tasas de éxito de la cirugía de reparación y la satisfacción del paciente en aplicaciones clínicas.