Vid bild till bild får modellen en bild utöver en prompt. Beroende på metod låser källan kompositionen, motivet eller bara stilen, och en styrkeinställning avgör hur långt resultatet får avvika från den. För säljare är den användbara formen den där produktfotot är ankaret: plagget, väskan eller skon förblir motivet medan miljön, modellen eller ljuset ändras.
Källan bär den information som resultatet beror på. Ett suddigt mobilfoto, ett skrynkligt plagg eller ett färgstick förs antingen vidare eller gissas runt; ett skarpt, jämnt belyst foto av hela produkten, taget rakt framifrån, lämnar minst åt modellen att hitta på. Delar som källan inte visar, som baksidan av en jacka eller insidan av en väska, måste hittas på, och det är där fel uppstår.
Även från en bra källa är resultatet en ny teckning av produkten, inte originalpixlarna. Ju högre styrkeinställning, desto friare ritar modellen om: först ändras miljön, sedan glider färg och struktur, sedan konstruktionen, som sömmarnas linjer, fickornas form och tryckets placering. En låg styrka håller sig nära källan men behåller också dess brister, så inställningen hittas genom att jämföra några resultat med den verkliga varan. Marknadsplatser som godtar AI-bilder begär att de visar produkten korrekt, och reglerna för märkning skiljer sig mellan dem.