Abordamos el problema de la augmentación de datos en un entorno de turbulencia rotativa, un desafío paradigmático en aplicaciones geofísicas. El objetivo es reconstruir información en cortes bidimensionales (2D) de los campos de flujo tridimensionales, imaginando huecos espaciales presentes en cada rebanada 2D observada. Evaluamos la efectividad de diferentes herramientas impulsadas por datos, basadas en modelos de difusión (DMs), un protocolo de aprendizaje automático generativo de vanguardia, y redes generativas adversariales (GANs), consideradas anteriormente como el método de mejor rendimiento tanto en términos de reconstrucción puntual como de las propiedades estadísticas de los campos de velocidad inferidos. Nos centramos en dos DMs diferentes propuestos recientemente en la literatura especializada: (i) RePaint, basado en una estrategia heurística para guiar un DM incondicional para la generación de flujo utilizando datos de mediciones parciales, y (ii) Palette, un DM condicional entrenado para la tarea de reconstrucción con datos medidos y faltantes emparejados. La comparación sistemática muestra que (i) los DMs superan a los GAN en términos de error cuadrático medio y/o precisión estadística; (ii) el DM Palette surge como la herramienta más prometedora en términos de métricas tanto puntuales como estadísticas. Una propiedad importante de los DMs es su capacidad para reconstrucciones probabilísticas, proporcionando un rango de predicciones basadas en las mismas mediciones, lo que permite la cuantificación de la incertidumbre y la evaluación de riesgos.