《交友神器！AI二维码终极教程，3步做出你的专属艺术二维码！》

《交友神器！AI二维码终极教程，3步做出你的专属艺术二维码！》各位好，我是吴东子二维码，在我们生活中已经成为了必不可少的东西。不管是购物、出行、还是交友，都会用到二维码在此之前大家最常见的二维码都是千篇一律的黑白码点而现在我们通过AI绘画，可以生成「艺术二维码」，也就是看上去是图片，实际上却是一张二维码那今天这篇文章将会分为生成二维码、SD基础参数、ControlNet设置三个步骤你只要跟着一步一步操作，也可以做出同款艺术二维码，同时文中还有隐藏二维码定位点的方法1.丝带女孩2.青花瓷盘子3.二次元美女4.真实服装5.海边浪花另外，文中需要用到的所有模型文件，以及珍藏的大模型，也都给大家打包好放在末尾的网盘链接里，不需要大家再自己到处去找花了很多时间才整理出来，希望对你有帮助「图文版」：https://mp.weixin.qq.com/s/fSYozKAg-lVmRc--hHTQNg「视频版」：https://b23.tv/azcpRds

2024龙年艺术字矢量Ai设计文件60套

名称：2024龙年艺术字矢量Ai设计文件60套描述：2024新年将至，设计师们早已开始为龙年海报、推文的制作摩拳擦掌。该合集不仅内容丰富多样，作为矢量文件资源，也能够让设计者更为轻松地编辑与创作。合集内另附200多张电脑壁纸。链接：https://pan.quark.cn/s/ff139006143d大小：358.4MB标签：#设计#素材#quark频道：@yunpanshare群组：@yunpangroup

《耗时7天，终于把15种ControlNet模型搞明白了！》

《耗时7天，终于把15种ControlNet模型搞明白了！》各位好，我是吴东子这篇文章是SD三部曲的第三篇——「ControlNet的终极攻略」前面我们说到如果想真正把SD应用起来，最重要的两个功能是：Lora和ControlNetLora负责把想要画面的“主体”或“场景”炼制成模型ControlNet负责更好地“控制”这个“模型”或画面Lora教程之前已经出了，感兴趣的朋友可以去翻看ControlNet一共有15种模型，每种模型对应不同的采集方式，再对应不同的应用场景，每种应用场景又有不同的变现空间我花了一周时间彻底把15种模型研究了一遍，跑了一次全流程，终于写完了本文文章包含了ControlNet的功能介绍，安装方法，模型采集方式，实操案例，以及下面几个目前很好玩的功能1.动漫转真人2.真人转动漫3.控制人物姿势、表情4.线稿AI上色5.固定主角大家只要跟着一步一步操作，一定能学会另外，需要用到的整合包和模型也都给大家打包好放在网盘（链接在文章末尾）花了很多时间才整理出来，希望对你有帮助https://mp.weixin.qq.com/s/E6VhbAXRi6w0ljBHu1x_JQ

Midjourney劲敌来了 Google StyleDrop王牌“定制大师”引爆AI艺术圈

Midjourney劲敌来了GoogleStyleDrop王牌“定制大师”引爆AI艺术圈再来一张卡通风，想要绘制的物体呆萌了许多。甚至，它还能精准把控细节，设计出原风格的logo。StyleDrop的魅力在于，只需要一张图作为参考，无论多么复杂的艺术风格，都能解构再复刻。网友纷纷表示，又是淘汰设计师的那种AI工具。StyleDrop爆火研究便是来自Google研究团队最新出品。论文地址：https://arxiv.org/pdf/2306.00983.pdf现在，有了StyleDrop这样的工具，不但可以更可控地绘画，还可以完成之前难以想象的精细工作，比如绘制logo。就连英伟达科学家将其称为“现象级”成果。“定制”大师论文作者介绍道，StyleDrop的灵感来源Eyedropper（吸色/取色工具）。同样，StyleDrop同样希望大家可以快速、毫不费力地从单个/少数参考图像中“挑选”样式，以生成该样式的图像。一只树懒能够有18种风格：一只熊猫有24种风格：小朋友画的水彩画，StyleDrop完美把控，甚至连纸张的褶皱都还原出来了。不得不说，太强了。还有StyleDrop参考不同风格对英文字母的设计：同样是梵高风的字母。还有线条画。线条画是对图像的高度抽象，对画面生成构成合理性要求非常高，过去的方法一直很难成功。原图中奶酪阴影的笔触还原到每种图片的物体上。参考AndroidLOGO创作。此外，研究人员还拓展了StyleDrop的能力，不仅能定制风格，结合DreamBooth，还能定制内容。比如，还是梵高风，给小柯基生成类似风格的画作：再来一个，下面这只柯基有种埃及金字塔上的“狮身人面像”的感觉。如何工作？StyleDrop基于Muse构建，由两个关键部分组成：一个是生成视觉Transformer的参数有效微调，另一个是带反馈的迭代训练。之后，研究人员再从两个微调模型中合成图像。Muse是一种基于掩码生成图像Transformer最新的文本到图像的合成模型。它包含两个用于基础图像生成(256×256)和超分辨率(512×512或1024×1024)的合成模块。每个模块都由一个文本编码器T，一个transformerG，一个采样器S，一个图像编码器E和解码器D组成。T将文本提示t∈T映射到连续嵌入空间E。G处理文本嵌入e∈E以生成视觉token序列的对数l∈L。S通过迭代解码从对数中提取视觉token序列v∈V，该迭代解码运行几步的transformer推理，条件是文本嵌入e和从前面步骤解码的视觉token。最后，D将离散token序列映射到像素空间I。总的来说，给定一个文本提示t，图像I的合成如下：图2是一个简化了的Musetransformer层的架构，它进行了部分修改，为的是支持参数高效微调（PEFT）与适配器。使用L层的transformer处理在文本嵌入e的条件下以绿色显示的视觉token序列。学习参数θ被用于构建适配器调优的权重。为了训练θ，在许多情况下，研究人员可能只给出图片作为风格参考。研究人员需要手动附加文本提示。他们提出了一个简单的、模板化的方法来构建文本提示，包括对内容的描述，后面跟着描述风格的短语。例如，研究人员在表1中用“猫”描述一个对象，并附加“水彩画”作为风格描述。在文本提示中包含内容和风格的描述至关重要，因为它有助于从风格中分离出内容，这是研究人员的主要目标。图3则是带反馈的迭代训练。当在单一风格参考图像（橙色框）上进行训练时，StyleDrop生成的一些图像可能会展示出从风格参考图像中提取出的内容（红色框，图像背景中含有与风格图像类似的房子）。其他图像（蓝色框）则能更好地从内容中拆分出风格。对StyleDrop进行好样本（蓝色框）的迭代训练，结果在风格和文本保真度之间取得了更好的平衡（绿色框）。这里研究人员还用到了两个方法：-CLIP得分该方法用于测量图像和文本的对齐程度。因此，它可以通过测量CLIP得分（即视觉和文本CLIP嵌入的余弦相似度）来评估生成图像的质量。研究人员可以选择得分最高的CLIP图像。他们称这种方法为CLIP反馈的迭代训练（CF）。在实验中，研究人员发现，使用CLIP得分来评估合成图像的质量是提高召回率（即文本保真度）的有效方式，而不会过多损失风格保真度。然而从另一方面看，CLIP得分可能不能完全与人类的意图对齐，也无法捕捉到微妙的风格属性。-HF人工反馈（HF）是一种将用户意图直接注入到合成图像质量评估中的更直接的方式。在强化学习的LLM微调中，HF已经证明了它的强大和有效。HF可以用来补偿CLIP得分无法捕捉到微妙风格属性的问题。目前，已有大量研究关注了文本到图像的扩散模型的个性化问题，以合成包含多种个人风格的图像。研究人员展示了如何以简单的方式将DreamBooth和StyleDrop结合起来，从而使风格和内容都能实现个性化。这是通过从两个修改后的生成分布中采样来完成的，分别由风格的θs和内容的θc指导，分别是在风格和内容参考图像上独立训练的适配器参数。与现有的成品不同，该团队的方法不需要在多个概念上对可学习的参数进行联合训练，这就带来了更大的组合能力，因为预训练的适配器是分别在单个主题和风格上进行训练的。研究人员的整体采样过程遵循等式(1)的迭代解码，每个解码步骤中采样对数的方式有所不同。设t为文本提示，c为无风格描述符的文本提示，在步骤k计算对数如下：其中：γ用于平衡StyleDrop和DreamBooth——如果γ为0，我们得到StyleDrop，如果为1，我们得到DreamBooth。通过合理设置γ，我们就可以得到合适的图像。实验设置目前为止，还没有对文本-图像生成模型的风格调整进行广泛的研究。因此，研究人员提出了一个全新实验方案：-数据收集研究者收集了几十张不同风格的图片，从水彩和油画，平面插图，3D渲到不同材质的雕塑。-模型配置研究人员使用适配器调优基于Muse的StyleDrop。对于所有实验，使用Adam优化器更新1000步的适配器权重，学习速率为0.00003。除非另有说明，研究人员使用StyleDrop来表示第二轮模型，该模型在10多个带有人工反馈的合成图像上进行训练。-评估研究报告的定量评估基于CLIP，衡量风格一致性和文本对齐。此外，研究人员进行了用户偏好研究，以评估风格一致性和文本对齐。如图，研究人员收集的18个不同风格的图片，StyleDrop处理的结果。可以看到，StyleDrop能够捕捉各种样式的纹理、阴影和结构的细微差别，能够比以前更好地控制风格。为了进行比较，研究人员还介绍了DreamBooth在Imagen上的结果，DreamBooth在StableDiffusion上的LoRA实现和文本反演的结果。具体结果如表所示，图像-文本对齐（Text）和视觉风格对齐（Style）的人类评分（上）和CLIP评分（下）的评价指标。(a)DreamBooth，(b)StyleDrop，和(c)DreamBooth+StyleDrop的定性比较：这里，研究人员应用了上面提到的CLIP分数的两个指标——文本和风格得分。对于文本得分，研究人员测量图像和文本嵌入之间的余弦相似度。对于风格得分，研究人员测量风格参考和合成图像嵌入之间的余弦相似度。研究人员为190个文本提示生成总共1520个图像。虽然研究人员希望最终得分能高一些，但其实这些指标并不完美。而迭代训练（IT）提高了文本得分，这符合研究人员的目标。然而，作为权衡，它们在第一轮模型上的风格得分有所降低，因为它们是在合成图像上训练的，风格可能因选择偏见而偏移。Imagen上的DreamBooth在风格得分上不及StyleDrop（HF的0.644对比0.694）。研究人员注意到，Imagen上的DreamBooth的风格得分增加并不明显（0.569→0.644），而Muse上的StyleDrop的增加更加明显（0.556→0.694）。研究人员分析，Muse上的风格微调比Imagen上的更有效。另外，在细粒度控制上，StyleDrop捕捉微妙的风...PC版：https://www.cnbeta.com.tw/articles/soft/1363333.htm手机版：https://m.cnbeta.com.tw/view/1363333.htm