图 1：本文封面——一枚被艺术化的二维码与底部的扫描线。
刷到过那种看起来像一幅插画、拿手机一扫却能正常跳转的二维码吗？它不是设计师一笔笔画出来的，而是 AI 生成的。这个玩法能成立，靠两块拼图：二维码自身的纠错冗余，和一个叫 ControlNet 的图像控制技术。看懂这两块拼图，你就看懂了整个玩法。
先说结论。
艺术二维码的本质是「结构不动、外观重画」。黑白模块排布在哪里是结构，必须保住；每个位置具体画成什么样是外观，可以尽情发挥。纠错能力决定外观能动多大手术，ControlNet 决定手术过程中结构不跑偏。两件事都成立，「好看又能扫」才成立。
第一块拼图：二维码自带纠错预算。
二维码在设计之初就考虑到了印刷脏污、贴纸遮挡，内置了 Reed-Solomon 纠错码——当年为 CD 光盘发明的字节级纠错技术，对成片损坏的突发错误特别有效。按纠错能力，二维码分 L、M、Q、H 四个等级，分别能恢复约 7%、15%、25%、30% 的受损码字，日常最常用的是 M 级。做艺术二维码一定要选 H 级：将近三成的面积被「画花」，手机依然能解出内容。纠错冗余就是艺术化的预算，H 级给你的预算最宽。
这里有一个此消彼长的关系要知道：同样多的内容，纠错等级越高，需要编码的码字越多，二维码就越密。所以艺术二维码的内容要尽可能短——短链接优先，别把一整段话塞进去。
所以「艺术二维码能扫」不是魔法，是把标准里早就存在的容错额度花掉，换成了美观。
第二块拼图：ControlNet 管住生成过程。
普通文生图模型只看提示词，画面结构由模型自由发挥。直接让它「参考一张二维码作画」，多半会得到一张像二维码的抽象画——好看，但扫不出。ControlNet 是 2023 年公开的一种神经网络结构，做法很直白：把预训练扩散模型的参数锁住，在旁边并联一个可训练的副本，再把控制图（这里是二维码）的特征通过「零卷积」逐层注入生成过程。零卷积的初始权重为零，训练从零起步、平滑生长，不会往原模型里灌噪声，也就不破坏它原有的作画能力。
效果就是分工明确：提示词决定风格——赛博朋克、水彩、剪纸都行；控制图决定明暗骨架。黑模块的位置保持深、白模块的位置保持浅，这个对比关系被全程保住，扫码器读到的还是原来那张二维码。ControlNet 论文里展示的条件控制远不止二维码这一种：边缘线稿、深度图、人体姿态、分割图，都是同一套「给生成过程加空间约束」的思想。
图 2：艺术二维码的生成与验证闭环，以及「为什么能兼顾」的两个原因。
完整流程只有四步。
第一步，用任意生成工具把链接或文本编码成普通二维码，纠错级别选 H。第二步，把这张二维码作为控制图交给 ControlNet，文生图模型选自己顺手的。第三步，写提示词描述想要的风格，出图。第四步最关键：真机扫码验证。扫不出就调低控制强度或换提示词重新生成，直到「好看」与「能扫」同时满足。这个闭环没验完，作品就不算完成。
常见误区有三个。
一，以为纠错预算无限——H 级也只有约三成额度，风格化过头照样扫不出，艺术化程度永远要和预算对账。二，以为二维码必须黑白方正——扫码器认的是模块之间的明暗对比和三个定位角，颜色、圆角、纹理都可以动，动的是「怎么画」，不是「画在哪」。三，只在电脑屏幕上验证——不同手机、不同扫码 App 的解码能力差异不小，真机、多设备验证是底线。
想上手的话路径很轻：找一个支持 ControlNet 的绘图工具，先拿一个无关紧要的链接练手，把「生成、扫码、调参」的闭环跑通三次，手感就有了。
你第一次看到艺术二维码时，以为它是怎么做出来的？你还见过哪些「把功能性图形藏进艺术作品」的例子？欢迎分享。
参考资料
- Adding Conditional Control to Text-to-Image Diffusion Models（ControlNet 论文：锁住预训练扩散模型、并联可训练副本，以零初始化的卷积层注入边缘、深度、姿态等空间条件控制） — https://arxiv.org/abs/2302.05543
- QR Code 的纠错功能（QRCode.com 官方说明：二维码用 Reed-Solomon 码实现纠错，L/M/Q/H 四个等级分别约恢复 7%/15%/25%/30% 的码字，M 级最常用，提升等级会增大数据量） — https://www.qrcode.com/en/about/error_correction.html