Très récemment, les modèles de diffusion probabilistes ont permis d'améliorer significativement l'état de l'art en synthèse d'images. Ces modèles génératifs se sont avérés particulièrement efficaces pour la résolution de problèmes inverses comme la super-résolution, le défloutage ou l'inpainting. Cependant beaucoup de ces modèles de diffusion reposent sur des centaines de millions de paramètres et le temps d'apprentissage se compte en dizaines de jours-GPU. Ces contraintes matérielles rendent leur utilisation particulièrement lourde et couteuse. Nous proposons un modèle de diffusion léger pour l'inpainting, adapté à des entraînements sur une ou quelques images, ne nécessitant qu'un apprentissage relativement rapide. Nous analysons précisément l'apport de la diffusion, à architecture constante, et nous comparons notre réseau léger avec l'état de l'art dans l'inpainting image.