企业官网建设流程全解析

第一次把一张画着猫咪的二维码发给朋友，对方扫了三次才打开，第四次直接甩过来一句“你这图是不是坏了”。那会儿我刚摸到 Stable Diffusion 加 ControlNet 这条路子，满脑子都是画面好看、构图漂亮，完全没意识到二维码本身还有一套硬邦邦的物理指标：模块尺寸、静区、纠错等级、对比度，任意一项踩线，前面画得再好看也是白搭。后来我前前后后跑了大概两百多组参数，帮一个开小店的朋友做了一版能贴在门口的扫码图，才算把这里面的门道摸清楚。

这篇内容讲的就是用 Stable Diffusion 配合 ControlNet 做出既有画面感、又能稳定扫码的二维码图。它解决的核心问题是：让一张艺术化的图片在保住二维码可识别性的前提下，把视觉信息藏进去，而不是简单粗暴地在二维码旁边贴个 logo。适合三类人看——刚装好 WebUI 想找点实战项目练手的新手、做线下门店物料想提升扫码率的从业者、以及想搞清楚 ControlNet 权重到底在干什么的中级玩家。基础操作我只在关键处提一句，重点全部放在参数怎么定、坑在哪里、怎么验收。

1. 拆解思路：二维码为什么能被“画”出来

1.1 二维码的可读性本质是一笔容错预算

很多人把二维码当成一张“黑白网格图”，其实更准确的理解是：它是一份带冗余校验的数据包。二维码有 L、M、Q、H 四个纠错等级，对应的冗余比例大约是 7%、15%、25%、30%。也就是说，一张 H 级码里面差不多有三成的数据是用来“自我修复”的，扫描器即使读到一部分错误的模块，也能通过里德-所罗门纠错算法还原出原始内容。

AI 画二维码之所以可行，根子就在这里。Stable Diffusion 在 ControlNet 的约束下往图上叠加纹理、光影、笔触，本质上是在“污染”一部分模块；只要污染量没超过容错预算，扫描器依然能读出来。这件事的边界非常清晰：你是在花一笔有限的预算，买画面的表现力。预算花超了，图就废了。

我第一次失败就是把预算花光了。整张图铺满了高频纹理，深色块和浅色块犬牙交错，扫描器拿到的二值化结果一团糊，纠错算法再强也救不回来。后来我给自己定了个粗糙但好用的经验值：画面纹理的覆盖面积不要超过整张图的三分之二，三个定位角（左上、右上、左下那三个“回”字形方块）周围 2 个模块宽度内必须是干净的，中间的数据区允许你自由发挥。

1.2 三条主流路线的取舍

在动手之前，先看清楚有哪几条路可以走，选错了后面全是无用功。

第一条是纯 img2img 重绘。把二维码当底图，低重绘幅度跑一遍。优点是上手零门槛，缺点也很明显：重绘幅度低了画面几乎不变，高了二维码就散了，中间那个“刚刚好”的区间窄得可怜，而且换个提示词就得重新调，完全没有可复现性。我试过十几组，能出图的比例不到两成，果断放弃。

第二条是 ControlNet 专用权重。这是目前最主流、也最稳的做法。社区里以“qrcode”为关键词能搜到几套在 SD1.5 上训练的专用权重，其中流传最广的那一版对黑白块的响应非常直接，权重拉到 0.9 以上基本能把二维码结构锁死。它的代价是画面容易被“格子化”，尤其是在权重过高的时候，出图会呈现出明显的马赛克感，需要靠提示词和后处理去柔化。

第三条是分层合成。先生成一张纯艺术图，再把二维码以低透明度、特定混合模式叠加上去，最后用蒙版把定位角贴回原样。这条路可控性最高，画面质量也最好，因为艺术图完全不受二维码干扰；缺点是它本质上不是“AI 画出来的二维码”，而是“AI 图 + 二维码”的合成，画面里没有那种模块与笔触交融的巧妙感。

我最终采用的是第二条为主、第三条收尾的混合策略：用 ControlNet 出主体画面，再用分层合成的手法把定位角和静区修补回去。这个组合把两边的优点都吃到了，后面第 5 章会详细讲。

1.3 软硬件与工具选型

硬件这块没什么好纠结的。SD1.5 加 ControlNet 在 8GB 显存的卡上跑 512×512 完全够用，出图速度大概两三秒一张，批量试错毫无压力。如果你手上是 6GB 的卡，把--medvram加上，速度会慢一些但不影响出图。想上 SDXL 的话显存最好 12GB 起步，而且 SDXL 生态里的二维码专用权重明显少，调参经验也不如 1.5 成熟，我个人的建议是新手先在 1.5 上把逻辑跑通。

软件侧我用的是 WebUI 加 ControlNet 扩展这套组合，原因是参数面板直观，改一个值立刻能看到效果，适合摸参数。ComfyUI 我也搭过一套工作流，节点连线的方式对批量生产和流程固化更友好，但学习曲线陡，第一次接触容易在节点连错上浪费半天。如果你只是想出几张图玩玩，WebUI 足够；如果你打算做成一条产线，比如给不同门店批量出图，那 ComfyUI 或者 API 脚本才是正解。

底模的选择经常被忽略，但它对成品率影响极大。写实风用写实类底模，插画风用二次元或扁平插画类底模，千万别拿一个二次元模型去生成“大理石纹理的二维码”，出来的东西又糊又花。我踩过这个坑，换底模之后同样的参数成品率直接翻倍。

提示：不要在同一个会话里反复切换底模试参数。不同底模对 ControlNet 权重的敏感度差异很大，混着试会让你对参数的判断完全失准。一个底模跑完一组参数，记下结果，再换下一个。

2. 关键参数：真正决定成败的那几个旋钮

2.1 ControlNet 权重与引导区间

ControlNet 的权重（Control Weight）是整件事里最敏感的一个参数。它决定了模型在多大程度上“听二维码的话”。

权重低于 0.6，模型基本放飞自我，二维码结构松散，扫不出来是常态；权重 0.7 到 0.9 是我实测下来成品率最高的区间，画面有表现力，结构也还在；权重超过 1.1，画面开始明显格子化，纹理被压平，虽然扫码成功率很高，但视觉上就是“一张上了色的二维码”，失去了 AI 生成的意义。

更精细的控制在引导区间（Guidance Start / End）。默认是 0 到 1，也就是全程约束。我的做法是把起点设在 0.1 左右、终点设在 0.75 到 0.85 之间。这么调的道理是：采样前期（0 到 0.1）让模型自由铺大色块和构图，中期（0.1 到 0.8）用二维码结构强力约束，后期（0.8 到 1.0）放开约束让模型把细节磨平、把噪点收干净。如果全程死锁到 1.0，最终图往往会显得脏、边缘毛糙，因为最后几步本来该做的是降噪细化，却被结构约束硬拽着走。

还有一个容易被忽略的开关：Control Mode。三个选项里，“平衡”是默认值，“更看重提示词”会削弱 ControlNet 的影响，“更看重 ControlNet”则相反。做二维码时我一般直接用“更看重 ControlNet”，因为我更怕结构丢失，宁可画面稍微硬一点，后期还能靠提示词修。

2.2 采样器、步数与 CFG

采样器这块不用迷信。DPM++ 2M Karras 是我用得最顺的，收敛快、细节稳，20 到 28 步就能出结果。Euler a 出图更“活”，画面更有随机感，但结构稳定性差一截，适合你已经把权重调到很稳、只想在画面风格上做变化的阶段。DPM++ SDE Karras 细节最丰富，缺点是同一组参数下每次结果差异较大，不适合需要复现的场景。

步数我一般设 25。低于 20 步时二维码边缘容易出现半成品的灰边，那些灰边在二值化的时候会变成随机噪点，直接吃掉容错预算。高于 35 步收益极小，纯属浪费时间。

CFG Scale 建议压在 5 到 7 之间。CFG 拉高会让模型更“听话”，画面饱和度飙升、对比度变大，看起来似乎更清晰，实际上暗部细节被压死，二维码的深色模块和浅色模块之间的过渡区被抹平，反而更难扫。我早期喜欢把 CFG 开到 9，觉得画面“有冲击力”，结果扫码率惨不忍睹。降到 6 之后画面柔和了，识别率反而上去了。

2.3 分辨率与模块尺寸的换算

这是最需要动手算一算的部分，也是最多人拍脑袋决定的地方。

二维码的尺寸不是一个抽象数字，它由“模块数 × 每模块像素”决定。模块数取决于你编码的内容长度和纠错等级。举个具体例子：一段二十来个字符的短链接，用 H 级纠错，大概落在版本 4 附近，也就是 33×33 个模块。加上四周各 4 个模块的静区（quiet zone，这是硬性要求，不能省），整张图是 41×41 个模块。

如果你出图尺寸是 512×512，那么每个模块分到 512 ÷ 41 ≈ 12.5 个像素，非常宽裕，随便画都不容易糊。但如果你的内容比较长，比如带了一串参数，模块数涨到 57×57，加静区是 65×65，512 ÷ 65 ≈ 7.9 个像素，还算能接受。再长一点，模块数到 77×77，加静区 85×85，512 ÷ 85 ≈ 6 个像素，这就进入危险区了——SD 在这个尺度上随便加一层纹理，就足以把一个模块吃掉。

所以我的第一条铁律是：能短则短。链接能压缩就压缩，参数能砍就砍，二维码版本每降一级，你的画面自由度就多一分。第二条是：出图分辨率往上提。768×768 出图再缩到 512 给 ControlNet，虽然 ControlNet 内部会做缩放，但最终成图的模块边缘会更干净。第三条是：模块像素低于 8 的时候，把 ControlNet 权重往上加 0.05 到 0.1，用结构强度换清晰度。

2.4 提示词怎么写才不浪费算力

提示词在这里的作用和普通出图不太一样。普通出图你是在“描述画面”，做二维码你是在“描述材质和光影”，因为结构已经被 ControlNet 锁死了。

我的模板大致是：主体描述 + 材质 + 光照 + 风格 + 质量词。比如做一张木质风格的，我会写“a wooden board with carved patterns, warm sunlight from the left, deep shadows in the grooves, cinematic lighting, high detail”。注意“deep shadows in the grooves”这类描述很重要，它在暗示模型把暗部做实，而实暗部正是二维码需要的高对比度。

负面提示词里我必加几个词：blurry、low contrast、washed out、grey haze、gradient。前三个好理解，重点是后两个——渐变是二维码的天敌，因为它会让模块边缘从黑到白平滑过渡，二值化时判定全凭运气。

另外一个反直觉的点：不要在提示词里写“qrcode”“barcode”“text”这类词。它们会让模型去“画一个二维码的样子”，而不是“在一个二维码上画画”，结果往往是在已经正确的结构上再叠一层图案，双重污染，必糊。

注意：提示词里出现“pixel”“mosaic”“grid”这类词也要谨慎。它们和二维码的模块网格会产生共振，出图会变得方方正正，画面表现力大打折扣。

3. 从零到一张能扫的图：完整实操流程

3.1 先用代码把底图生成好

底图质量直接决定上限。我的做法是用脚本生成，而不是用在线工具，因为脚本能精确控制版本、纠错等级、模块像素和边框宽度。

import qrcode from qrcode.constants import ERROR_CORRECT_H def make_qr(content, out_path, box_size=12, border=4): qr = qrcode.QRCode( version=None, # 自动选择最小可用版本 error_correction=ERROR_CORRECT_H, # 30% 冗余，给画面留预算 box_size=box_size, # 每个模块的像素数 border=border, # 静区宽度，单位是模块，4 是标准值 ) qr.add_data(content) qr.make(fit=True) img = qr.make_image(fill_color="black", back_color="white").convert("RGB") img.save(out_path) print("version:", qr.version, "modules:", qr.modules_count, "size:", img.size) make_qr("https://example.com/s/abc123", "qr_base.png", box_size=12)

几个参数值得说明。error_correction我固定用 H，因为它给画面留的冗余最多。有人担心 H 级会让版本变大、模块变多，反而更难扫，这个担心有一定道理，但在内容较短时版本差异只有一两级，H 带来的冗余收益远大于模块增加的损失。

box_size设 12 是为了让底图足够大。若最终模块数是 33，底图就是 (33+8)×12 = 492 像素，接近 512。这样缩放时不会引入插值模糊。如果你的模块数比较多，把 box_size 调小到 8 或 10。

border千万别改成 0 或 1。静区是扫码器定位二维码边界的依据，省掉它，很多扫码器会直接判定“这不是码”。我见过有人为了让画面更满把静区裁掉，结果就是扫不出来，还以为是模型的问题。

生成完之后，先别急着进 SD。用手机扫一遍底图，确认它能扫、扫得快。这一步是基准线，后面所有失败都可以拿它对照。

3.2 WebUI 里的参数落位

进入 img2img 页面，把底图拖进去。重绘幅度（Denoising strength）设在 0.65 到 0.8 之间。这个值为什么不能太低？因为低于 0.5 时模型几乎不改变原图，你只能得到一张“加了点噪点的二维码”；高于 0.85 时原图信息被冲掉太多，ControlNet 得独自扛下所有结构约束，画面会变硬。

往下拉到 ControlNet 面板，上传同一张底图。预处理器选none（因为你上传的已经是干净的二维码图，不需要再预处理），模型选二维码专用权重。控制权重 0.85，引导起点 0.1，终点 0.8，控制模式选“更看重 ControlNet”，缩放模式选“裁剪后缩放”或“仅缩放”，两者差别不大，但别选“缩放并填充”，那个会加白边，静区宽度就变了。

然后在最上面填提示词。我的建议是第一次先填最朴素的描述，例如“a watercolor painting of a mountain lake, soft brush strokes, natural lighting”，跑一张看看结构还在不在。如果扫得出来，再逐步加风格词；如果扫不出来，先降重绘幅度或加权重，别急着改提示词。

第一张图出来后，一定要做这两件事：一是用手机原生相机扫，二是用一个第三方扫码工具扫。原生相机对二维码的判定相对宽松，第三方工具更严格，两个都过才算真的过关。我第一次就是只用原生相机测，自己觉得没问题，发给别人全都不行。

3.3 批量跑图与种子管理

单张试参数效率太低，真正调参靠的是批量。我的做法是固定一个提示词，把 ControlNet 权重从 0.7 到 1.0 按 0.05 的步长扫一遍，每个权重出 2 张，一共 14 张，横向对比。

WebUI 自带 X/Y/Z 脚本可以干这事，把 ControlNet 权重填进 X 轴、随机种子填进 Y 轴就行。如果你的 ControlNet 扩展版本不支持在脚本里调权重，那就用 API 脚本跑。

import requests, base64, json, io from PIL import Image def to_b64(path): with open(path, "rb") as f: return base64.b64encode(f.read()).decode() url = "http://127.0.0.1:7860/sdapi/v1/img2img" payload = { "init_images": [to_b64("qr_base.png")], "prompt": "a watercolor painting of a mountain lake, soft brush strokes, natural lighting", "negative_prompt": "blurry, low contrast, washed out, gradient, grey haze", "denoising_strength": 0.72, "steps": 25, "cfg_scale": 6, "width": 512, "height": 512, "sampler_name": "DPM++ 2M Karras", "alwayson_scripts": { "ControlNet": { "args": [{ "input_image": to_b64("qr_base.png"), "module": "none", "model": "your_qrcode_model_name", "weight": 0.85, "resize_mode": 1, "guidance_start": 0.1, "guidance_end": 0.8, "control_mode": 1, "pixel_perfect": True, }] } } } for w in [0.70, 0.75, 0.80, 0.85, 0.90, 0.95, 1.00]: payload["alwayson_scripts"]["ControlNet"]["args"][0]["weight"] = w r = requests.post(url, json=payload).json() img = Image.open(io.BytesIO(base64.b64decode(r["images"][0]))) img.save(f"out_w{int(w*100)}.png")

这段代码里args的字段顺序会随 ControlNet 扩展版本变化，跑之前先去http://127.0.0.1:7860/docs看一眼你本地版本的定义，或者干脆用一次 UI 出图后抓一下请求体。别硬套别人的脚本，字段错位是最常见的报错来源。

批量跑完，文件名里带上权重，扫一遍挑出能扫的，再在能扫的那几张里挑好看的。这个顺序很重要——先保证功能，再挑美感，反过来会陷入“这张好看但扫不出”的纠结。

3.4 验收环节别偷懒

二维码的验收不是“我扫出来了”这么简单。我给自己定的验收清单是四条：

第一条，至少三台不同品牌、不同年份的手机，用原生相机各扫一次。老手机的摄像头解析力差、对焦慢，是最诚实的测试仪。

第二条，缩放测试。把图缩到原尺寸的 60% 再扫，模拟打印在小物料上的场景。很多图在屏幕上看没问题，一缩小就废。

第三条，打印测试。如果是线下物料，一定要打出来扫。屏幕是发光的，纸是反光的，两者的对比度表现完全不同。我做过一张深色背景的图，屏幕上扫得飞快，打印出来之后因为纸张吸墨、深色区域糊成一片，直接失效。

第四条，弱光测试。把屏幕亮度调到 40% 再扫。这一条最容易被跳过，但线下场景里灯光条件千奇百怪，能过这一关的图才算真的稳。

4. 常见问题与排查实录

4.1 六种典型失败与对应解法

扫不出来，但图看起来挺清楚。这种情况九成是模块边缘不够锐利。SD 出图天然带一层柔化，肉眼看不出来，二值化时就出问题了。解法是把图丢进任意图像工具，转灰度、拉一下对比度曲线，把暗部压到接近纯黑、亮部提到接近纯白，再扫一次。很多时候这一步就能救回来。

能扫，但要凑得很近。这是模块像素不足的典型症状。要么缩短内容降低版本，要么把出图分辨率提到 768 再缩放。

扫出来是乱码或者跳到别的链接。说明纠错算法在“硬猜”，猜错了。这是因为污染量刚好卡在容错临界点，纠错能力被消耗殆尽。解法是把 ControlNet 权重加 0.05，或者把重绘幅度降 0.05，让结构更硬一点。

三个定位角变形了。这是最致命的，定位角一旦破坏，扫码器连“这是二维码”都判断不出来。解法是后处理阶段把原图的三个角贴回去，具体做法第 5 章讲。

画面很漂亮但整体发灰。CFG 太低或者底模本身偏灰。把 CFG 提到 6.5，或者在负面提示词里加强washed out、low contrast的权重。

同一组参数，这次能扫下次不能。你用的是带随机性的采样器（比如 Euler a 或 DPM++ SDE）。换成 DPM++ 2M Karras，固定种子，结果就能复现。

4.2 一张速查表

提示：排查时一次只改一个参数。我早期图省事，同时改权重和重绘幅度，结果两组参数都有效果，但根本分不清是谁起了作用，白白浪费了一晚上的卡时。

5. 进阶玩法：分层合成与局部重绘

5.1 分层法：把功能区和艺术区分开处理

这是我目前最推荐的路线，成品率比纯 ControlNet 高出不少。

具体做法是：先用 ControlNet 正常生成一张图，然后在图像工具里建两层。底层是 AI 生成的图，上层是原始二维码，把上层的混合模式设成“正片叠底”或“叠加”，不透明度压到 15% 到 25%，让原二维码以一种极淡的方式“压”在画面上，起到强化结构的作用。这一步相当于给扫码器补了一份参考坐标。

接着处理定位角。用矩形选区把三个定位角（连同周围 2 个模块的静区）框出来，把上层的不透明度提到 100%，或者直接把原图对应区域复制过来覆盖掉。这样三个角恢复成绝对干净的纯黑白，扫码器定位毫无压力，而中间的数据区仍然是艺术画面。

最后做一次整体对比度微调。转灰度看一眼，如果暗部不够实，加一个曲线调整层，把 20% 以下的灰度值压到 5% 以内。

这套流程的好处是：画面质量由 AI 决定，结构可靠性由后处理兜底，两者互不干扰。缺点是多了几步手工操作，不适合大规模批量。如果你要做几十上百张，得把这几步写成脚本。

5.2 局部重绘修掉“坏点”

有时候整张图其他都好，就某个角落糊成一团。这时候不用整张重跑，用局部重绘（Inpaint）单独修那一块就行。

操作上，把糊掉的区域涂上蒙版，重绘幅度设在 0.3 到 0.4，ControlNet 保持启用，提示词写清楚那个区域应该是什么（比如“clean stone texture”），跑一次基本就能修好。关键是重绘幅度不能高，高了会把那块的结构也一起改掉，反而更糟。

我遇到过一个典型场景：画面右侧一块石头纹理生成得特别碎，正好压在几个数据模块上。整张重跑五次都没解决，局部重绘一次就搞定了，前后不到两分钟。

5.3 把整套流程脚本化

如果你需要给不同门店批量出图，每次内容不一样、风格不一样，那就得把流程串起来。我的做法是用 Python 把“生成底图 → 调 API 出图 → 后处理贴角 → 对比度增强 → 输出”串成一条链。

from PIL import Image, ImageEnhance def post_process(ai_path, qr_path, out_path, corner_ratio=0.22): ai = Image.open(ai_path).convert("RGB") qr = Image.open(qr_path).convert("RGB").resize(ai.size, Image.LANCZOS) w, h = ai.size cw, ch = int(w * corner_ratio), int(h * corner_ratio) # 左上、右上、左下三个定位角贴回原图 for box in [(0, 0, cw, ch), (w - cw, 0, w, ch), (0, h - ch, cw, h)]: ai.paste(qr.crop(box), box) # 对比度增强，压暗提亮 ai = ImageEnhance.Contrast(ai).enhance(1.25) ai.save(out_path, quality=95) post_process("out_w85.png", "qr_base.png", "final.png")

corner_ratio这个比例要按你的二维码版本调。版本 4 的码，定位角占整图的比例大概是 0.2 左右；版本越高，这个比例越小。贴多了会把数据区也盖住，贴少了定位角修不干净。建议先在一张图上试，用眼睛确认三个“回”字形完全清晰再批量跑。

6. 实操心得与几个容易被忽略的细节

折腾这么久，有几条经验是文档里不会写、但实际影响很大的。

第一，别迷信“权重越高越稳”。我见过太多人把权重拉到 1.2 甚至 1.5，图是能扫，但画面完全失去了生成的意义，就是一张上了色的格子图。真正的技术含量在于找到那个“刚刚能扫”的临界点，再往回退 0.05，留一点安全边际。

第二，颜色对扫码的影响比想象中大。深蓝配浅黄、深绿配米白这类组合，在屏幕上看着对比强烈，实际扫码时因为摄像头对某些波长的响应差异，识别率会掉。最稳的永远是深色接近黑、浅色接近白。做彩色版的话，深色那一端的明度要压到 25% 以下。

第三，中间的数据区可以“花”，边缘的静区必须“净”。静区是扫码器判断边界的依据，只要静区干净，中间稍微乱一点纠错算法还能扛。反过来，静区被污染了，扫码器连框都找不到，中间再规整也没用。所以构图的时候，尽量把画面的主体元素往中间放，四边留白。

第四，测试的时候别只用自己的手机。我用自己手机测了二十张全部通过，换了一台老机型测，通过率掉到六成。原因很简单，老机型摄像头解析力低、对焦慢，对边缘锐度的要求高得多。所以我现在的验收标准里，“老机型能扫”是硬指标。

第五，如果你想做的是那种“远看是画、近看是码”的效果，画面主体最好是有明确结构的物体——建筑、山体、人脸、几何图形都行，纯抽象的色彩泼溅反而不好用，因为它缺乏可以被模块边界“借用”的线条。模块的方格需要一个视觉上合理的理由来解释它为什么存在，这个理由越自然，成品看起来越不违和。

第六，别一次性投入太多时间在某一张图上。我早期会为了一张图反复调两三个小时，后来发现同样的时间够我跑五十张不同参数的图，从中挑一张好的。批量试错永远比精雕单张效率高，尤其是在你还没摸清参数区间的时候。

最后分享一个我最近在用的偷懒办法：把最终成图丢进任意一个二维码检测库跑一遍，拿到它的解码结果和纠错纠正次数。纠正次数这个数值特别有用，它直接告诉你“这张图离失效还有多远”。纠正次数为 0 或个位数，说明结构很稳；超过二十次，说明已经贴着红线了，换个场景打印或者换台设备大概率就废了。用这个数值做筛选，比人眼反复扫码靠谱得多，也快得多。