傳染病發病率預測可為公共衛生規劃提供重要依據，但因其流行病學動態複雜而難以實現。現有機理模型與統計方法常難以捕捉多峰不確定性或新興趨勢。Influpaint采用去噪擴散概率模型進行流行病預測，通過將流感季節編碼為時空圖像（像素強度表示發病率），從監測數據與模擬軌跡混合數據集中學習疾病動力學的豐富分布。預測任務被構建為基於部分觀測的條件生成（圖像修複）問題。我們證明，Influpaint能生成逼真且多樣的疫情軌跡，並在回顧性評估中達到可與主流集成方法相媲美的預測精度。在2023-2025年美國CDC FluSight挑戰賽的實時評估中，其性能隨季節顯著提升，2024-2025年季節的預測高度准確但略顯過度自信。采用含30%監測數據和70%模擬軌跡的訓練集時性能最佳。這些結果表明，擴散模型能夠捕捉流感動力學中的重要時空結構，為傳染病概率預測提供靈活框架。