O efeito depende de um princípio simples: quanto mais espesso o material, mais luz ele absorve e bloqueia no caminho. Quanto mais fino, mais luz consegue atravessar. É basicamente o mesmo motivo pelo qual uma cortina fina deixa passar mais claridade do que uma cortina grossa e encorpada.
Ao converter uma foto em litofania, cada pixel claro da imagem vira uma região fina da peça, e cada pixel escuro vira uma região grossa. Esse mapeamento é feito automaticamente pelo software: o brilho de cada ponto da imagem é traduzido diretamente em uma altura correspondente no modelo 3D, formando um relevo contínuo em vez de uma imagem com bordas nítidas.
Quando essa peça é colocada contra uma luz, o cérebro interpreta essas variações de brilho como a imagem original, em tons de cinza. O olho humano é extremamente sensível a esse tipo de gradiente de luminosidade, o que é o motivo de a litofania conseguir reproduzir até sombras e meios-tons suaves de uma fotografia, mesmo sem nenhuma cor.
Por isso a escolha da luz importa tanto quanto a impressão: uma luz difusa e uniforme atrás da peça costuma revelar melhor os detalhes do que uma luz pontual ou muito forte, que pode criar pontos de brilho excessivo e esconder partes da imagem em vez de destacá-las. Fontes de luz branca neutra, como LEDs de temperatura de cor por volta de 3000 K a 4000 K, tendem a dar o melhor equilíbrio entre contraste e naturalidade.