La fotopletismografía remota (rPPG) es un método emergente sin contacto para monitorear la salud cardiovascular basado en videos faciales. La calidad de los videos capturados determina en gran medida la eficacia de rPPG en esta aplicación. Las técnicas tradicionales de rPPG, si bien son efectivas para la estimación de la frecuencia cardíaca (HR), a menudo producen señales con una relación señal-ruido (SNR) inadecuada para una medición confiable de signos vitales debido a artefactos como el movimiento de la cabeza y el ruido de medición. Otro factor crucial es la falta de consideración de las propiedades inherentes de las señales generadas por rPPG (señales rPPG). Para abordar estas limitaciones, presentamos DiffPhys, un modelo generativo profundo novedoso diseñado especialmente para mejorar el SNR de las señales rPPG. DiffPhys aprovecha el modelo de difusión condicional para aprender la distribución de las señales rPPG y utiliza un proceso inverso refinado para generar señales rPPG con un SNR más alto. Los resultados experimentales demuestran que DiffPhys eleva el SNR de las señales rPPG en escenarios dentro de la base de datos y entre bases de datos, facilitando la extracción de métricas cardiovasculares como HR y HRV con mayor precisión. Esta mejora permite un monitoreo más preciso de las condiciones de salud en entornos no clínicos.