传染病发病率预测可为公共卫生规划提供重要依据，但因其流行病学动态复杂而难以实现。现有机理模型与统计方法常难以捕捉多峰不确定性或新兴趋势。Influpaint采用去噪扩散概率模型进行流行病预测，通过将流感季节编码为时空图像（像素强度表示发病率），从监测数据与模拟轨迹混合数据集中学习疾病动力学的丰富分布。预测任务被构建为基于部分观测的条件生成（图像修复）问题。我们证明，Influpaint能生成逼真且多样的疫情轨迹，并在回顾性评估中达到可与主流集成方法相媲美的预测精度。在2023-2025年美国CDC FluSight挑战赛的实时评估中，其性能随季节显着提升，2024-2025年季节的预测高度准确但略显过度自信。采用含30%监测数据和70%模拟轨迹的训练集时性能最佳。这些结果表明，扩散模型能够捕捉流感动力学中的重要时空结构，为传染病概率预测提供灵活框架。