今の画像生成AIの仕組みからいって、パーツ単位でのボトムアップは難しいんじゃないかな
根本的に、「骨と骨がどう繋がってるか」「指は何本存在するか」みたいな"構造"を理解して描いてる訳じゃないし
（それでも学習を繰り返す事で破綻が少なくなってはいるが）
i2iは出来るんだから
1. ワイヤーフレームで出来た人体の3Dモデル
2. 1を元に「裸体」を描くレイヤ
3. 2を元に「服」を描くレイヤ
4. 質感の調整やライティング
みたいにしてしまえば、破綻はぐっと減るだろうけれども （但し3Dモデルを基底部に置くなら、「二次元の嘘」みたいなのはやり難くなる）