Los modelos de difusión han captado una atención significativa en el campo de la generación de imágenes. Sin embargo, las arquitecturas de eliminación de ruido existentes, como U-Net, enfrentan limitaciones en la captura del contexto global, mientras que los Transformadores de Visión (ViTs) pueden tener dificultades con los campos receptivos locales. Para abordar estos desafíos, proponemos una novedosa arquitectura de red de eliminación de ruido basada en Swin-Transformer que aprovecha las fortalezas tanto de U-Net como de ViT.