系列文章：
《AI - stable-diffusion(AI 绘画)的搭建与使用》 《AI - AI 绘画的精准控图(ControlNet)》一、介绍
近日，AI 绘画（stable-diffusion）用来艺术化二维码算是比较火热的事了，这个 idea 是由国人用 Checkpoint + LoRA + QR Code ControlNet 组合实现出来的，下面是几张图片案例：
这是原作者的文章：《AI 生成可扫码图像 — 新 ControlNet 模型展示》
不过，文章内并没有讲述艺术化二维码的具体过程，也没有现成的 QR Code ControlNet 可供使用（可能出于某些原因没有公布吧，瞎猜的~），从网上收集了一些资料，使用现有的 ControlNet 模型也能够实现同样的效果，下面来看看具体实现步骤。
二、实战
需要先下载 2 个 ControlNet 模型：
SD15_brightness：https://huggingface.co/ioclab/ioc-controlnet/tree/main/models SD15_tile：https://huggingface.co/lllyasviel/ControlNet-v1-1/tree/main下载后存放到 stable-diffusion-webui\extensions\sd-webui-controlnet\models 目录下。
注：建议将 ControlNet 插件升级到最新版本，支持更多预处理器，还有更方便好用的 UI。
1、生成二维码
我们先准备一张二维码图片，可以通过以下任意一个网址生成：
草料二维码：https://cli.im/QR.io：https://qr.io/
2、灰度处理
上传二维码 ControlNet Unit 0：打钩启用（Enable） 预处理器（Preprocessor）：inpaint_global_harmonious
模型（Model）：control_v1p_sd15_brightness
权重（Control Weight）：0.4
开始与停止步骤（Starting Control Step、Ending Control Step）：0 和 1
注：如果你找不到 inpaint_global_harmonious 预处理器，把 ControlNet 插件升级到最新就有了。
3、细节处理
上传二维码 ControlNet Unit 1：打钩启用（Enable） 预处理器（Preprocessor）：inpaint_global_harmonious
模型（Model）：control_v11f1e_sd15_tile
权重（Control Weight）：0.6
开始与停止步骤（Starting Control Step、Ending Control Step）：0.35 和 0.75
注：如果你页面上没有多个 ControlNet 单元，可以到 Settings 中，找到 Multiple ControlNets 进行设置，详见：《AI - AI 绘画的精准控图(ControlNet)》
4、配置描述
根据你希望在二维码画面中出现的东西进行配置，比如我希望在画面中出现一个战火中的高达，我的参数配置如下：
正向提示词（Prompt）：masterpiece, best quality, mecha, no humans, black armor, blue eyes, science fiction, fire, laser canon beam, war, conflict, destroyed city background
反向提示词（Negative prompt）：UnrealisticDream, FastNegativeEmbedding
采样方法（Sampling method）：Euler a
采样步数（Sampling steps）：26
CFG 比例（CFG Scale）：6.5
随机种子（Seed）：1234843297
注：如果你不知道这些配置含义是什么，可以查阅这篇文章：《AI - stable-diffusion(AI 绘画)的搭建与使用》
配置完描述后，点击 Generate 按钮，等待图片生成即可：
至此，艺术化后的二维码就生成好了，而且是可以被正常扫码识别出来的哦~
三、资料
在上述实战中，出现了 1 个新的 ControlNet 预处理器和 2 个新的 ControlNet 模型，它们的作用分别是什么呢？
1、预处理器 inpaint_global_harmonious
inpaint_global_harmonious 主要用于局部（遮罩部分）重绘，在原生基于图生图的重绘模式上加入了 ControlNet 的控制，从而让 inpaint 能够更加准确的预测重绘细节。但是注意，和普通局部重绘不同，ControlNet 的 inpaint 模型除了重绘遮罩部分外，遮罩以外的地方也会发生微小变化（重绘），这样做带来的好处是它能够更好地将重绘区域与整体画面融合，让整体出图更加和谐统一。当然你也能将 ControlNet 引导权重调节到最大，此时 ControlNet-inpaint 模型将尽可能得保持遮罩区域以外的画面不发生变化。
上图是传统图生图的局部重绘，原图蒙版重绘部分往往会出现与周围环境不相容的独立景物，无法统一整体布局。
可以看到，对比传统图生图的局部重绘，ControlNet 的 inpaint 模型能在统一整体效果的前提下，补全蒙版部分的内容，同时遮罩外部分的轮廓和细节也得到了较好的保留。
上述介绍源自：https://www.jianshu.com/p/2e433f71f544
2、模型 control_v1p_sd15_brightness
该模型为稳定扩散带来亮度控制，允许用户对灰度图像着色或对生成的图像重新着色。
上述介绍源自：
https://aigc.ioclab.com/sd-showcase/brightness-controlnet.html
https://huggingface.co/ioclab/control_v1p_sd15_brightness
3、模型 control_v11f1e_sd15_tile
tile 模型原本是为了放大图片而设计的，具体来讲需要先将原图分割为一块一块的小区域(叫做 Tile 或瓦块)，然后分别对每个瓦块进行图生图放大，最后集合所有放大后的瓦块，拼成完整的大图。之所以采用局部放大后拼接的模式是为了减少显存占用。但是这样放大图片也有弊端，那就是必须要求每个小图在图生图时重绘幅度不能太大，因为本质上每个小图使用的也是全图提示词，当重回幅度过高时，老版本 tile 模型很可能会在每个小图里生成全图提示词所描绘的全部内容。
ControlNet1.1 版本后的 Tile 模型更加强大，它具有两种特性：
忽略图像中的细节并生成新的细节。 如果局部瓦片语义和提示不匹配，则忽略全局提示，并根据局部上下文引导扩散。因为该模型可以生成新的细节并忽略现有的图像细节，所以我们可以使用该模型去除不良细节并添加细化的细节。例如，消除由图像大小调整引起的模糊。
上述介绍源自：
https://www.jianshu.com/p/2e433f71f544
https://github.com/lllyasviel/ControlNet-v1-1-nightly
四、分析
我将实战中两个 ControlNet 单元依次生成的图片拆开，得到如下过程图：
结合上述资料中对两个 ControlNet 模型的介绍，可以大致理解为 control_v1p_sd15_brightness 在二维码图片的基础上进行重新着色，但会丢失二维码信息，control_v11f1e_sd15_tile 则在此基础上，对二维码信息细节进行补充。至于预处理器 inpaint_global_harmonious，因为此场景下二维码并不需要进行 inpaint 处理，所以把预处理器设为 none 也是可以的，对结果并不影响。