A ressonância magnética (RM) é essencial para o diagnóstico neurológico, mas a aquisição de múltiplos contrastes é frequentemente limitada por restrições clínicas. Embora a síntese de modalidades baseada em aprendizado profundo represente uma alternativa promissora, o equilíbrio entre o realismo visual das Redes Adversárias Generativas (GANs) e a fidelidade estrutural dos Modelos de Difusão permanece um desafio. Este trabalho avalia sistematicamente quatro estratégias híbridas para tradução de imagens T2 para T1 utilizando o Latent Brownian Bridge Diffusion Model (LBBDM) como baseline, além de variantes que incorporam perda adversarial, refinamento em cascata com GAN e espaços latentes aprimorados por GAN. Os experimentos foram conduzidos nos conjuntos de dados BraTS 2024 e IXI, acompanhados de uma análise detalhada dos conflitos entre os objetivos de otimização da perda adversarial e da preservação anatômica. Os resultados mostram que, embora componentes adversariais possam melhorar métricas baseadas em pixels, frequentemente introduzem inconsistências estruturais e artefatos, enquanto o LBBDM original preserva maior fidelidade anatômica (SSIM = 0,58). Por fim, são discutidas direções futuras, como o uso de sinais adversariais seletivos e amostragem estocástica voltada às preferências clínicas, contribuindo para o desenvolvimento de modelos generativos mais robustos e confiáveis para imagens médicas.