借助 ControlNet 生成艺术二维码 – 基于 Stable Diffusion 的 AI 绘画方案
内容提要
亚马逊云科技合作伙伴eCloudrover推出了基于Stable Diffusion的AI绘画解决方案imAgine，帮助各行业构建AIGC应用通路。文章分享了使用Stable Diffusion的实战经验和生成艺术二维码的最佳实践，包括选择提示词和调整参数等。同时介绍了使用ControlNet生成艺术二维码的步骤和注意事项。
延伸解读
提示词工程：精确比堆砌更重要
文章指出，提示词应精确而非冗长，用简短单词比自然语言更有效。常见起手式如“masterpiece”在如今模型上已难起作用。调整权重和顺序能显著影响画面，例如景色在前人物会小。此外，emoji可增强表现力，但需避免复杂语法。这些经验有助于提升生成效率和质量。
参数调优：平衡创意与控制
CFG Scale、Sampling Steps和采样方法需根据需求调整。CFG 7-10适合多数提示，过高会导致图像扭曲；迭代步数超过50收效甚微。不同采样器特性各异，如Euler a富有创造力，DPM++ 2M Karras在高步数下细节丰富。建议使用X/Y/Z图对比参数，快速找到最佳组合。
艺术二维码生成：优化输入与参数
生成艺术二维码需先精简二维码信息量，缩短链接可降低复杂度。二维码呈现形式多样化，可尝试不同码点样式。使用ControlNet时，推荐qrcode_monster模型，控制权重1.1-1.6，引导介入0-0.1，终止为1。迭代步数30-50，尺寸匹配原图。若效果不佳，可微调提示词、采样方法等参数。
imAgine解决方案：简化云端部署
imAgine基于Stable Diffusion WebUI，结合亚马逊云科技托管服务，提供一键订阅的AI绘画环境。它通过API Gateway、DynamoDB和SageMaker实现前后端分离和算力扩展，帮助游戏、电商等行业快速构建AIGC应用。用户可在MarketPlace订阅，无需复杂配置即可部署。
Q&A
什么是imAgine？它有什么作用？
imAgine是亚马逊云科技核心级服务合作伙伴eCloudrover（伊克罗德）推出的基于Stable Diffusion的AI绘画解决方案。它旨在帮助游戏、电商、媒体、影视、广告、传媒等行业快速构建AIGC应用通路，提供经过广泛验证且易于部署的AI算法模型，以及丰富且高性价比的云端资源以优化成本。
使用Stable Diffusion时，提示词工程有哪些最佳实践？
提示词工程的最佳实践包括：1. 提示词分为正向和反向，用于告诉AI哪些需要、哪些不需要；2. 提示词在于精确而非数量，用最简短的单词阐述画面比自然语言更有效；3. 避免无脑堆砌“masterpiece”、“best quality”等词语，这些在如今模型中作用不大；4. 调整提示词权重，默认值为1，从左到右依次减弱，可用小括号+冒号+数字指定权重，如(one girl:1.5)；5. 注意提示词顺序，景色Tag在前人物会小，反之人物会变大或半身；6. 可使用emoji增强表现力，优先考虑emoji，少用复杂语法。
如何调整Stable Diffusion的参数来优化生成图片？
优化图片可调整以下参数：1. CFG Scale：图像与提示词的相关度，推荐7-10平衡创造力和引导力度，2-6有创意但可能扭曲，10-15用于详细提示，16-20不推荐，>20几乎无法使用；2. Sampling Steps：迭代步数越多越精确，但超过50步收效甚微；3. Sampling method：不同采样方法最佳步数不同，如Euler a富有创造力，DPM++ 2M Karras高步数下细节多，DDIM收敛快但效率低；4. Seed：固定种子可生成几乎相同的图像，便于细节打磨。建议使用X/Y/Z图对比寻找最佳参数组合。
生成艺术二维码的步骤是什么？
生成艺术二维码的步骤：1. 优化二维码：精简信息量（如缩短链接）和选择多样化呈现形式；2. 制作基础二维码：使用二维码生成工具（如Anthony’s QR Toolkit）生成基础二维码；3. 确定艺术风格：先不使用ControlNet，用普通文生图测试提示词和模型效果；4. 在ControlNet中导入二维码：启用ControlNet，选择qrcode_monster模型，设置控制权重1.1-1.6，引导介入时机0-0.1，终止时机1，迭代步数30-50，调整宽高比。生成后扫码测试，若不满意可微调提示词、采样方法、控制权重等参数。
ControlNet QRCode模型有哪些选择？哪个效果更好？
ControlNet QRCode模型主要有两个：1. QRCode Monster（control_v1p_sd15_qrcode_monster）：测试后认为控制二维码成功率最高，二维码融入图像效果最好，可在HuggingFace下载；2. QR Pattern v2.0：建议结合IoC Lab的Brightness模型作为辅助提高局部对比度，但该模型自带干扰内容较多，可能导致图像风格变化很大。推荐优先使用QRCode Monster。
如何修复Stable Diffusion生成图片中的面部和手部问题？
面部修复：推荐使用ADetailer插件，它使用yolo算法识别人物面部，在识别位置进行局部重绘，可提供面部重绘提示词和模型，也能引用Lora模型。手部修复：将图片送入img2img inpaint，使用大致相同的提示词，将关于“手”的提示放在前面，根据希望手部特征变动多少设置重绘幅度（如仅希望手更完整调至0.25以下），保留步骤和CFG与txt2img相同；也可借助ControlNet的Canny或OpenPose_hands等预处理器+模型结合inpaint实现更精确控制。
