경로 추적 또는 양방향 경로 추적과 같은 Monte Carlo 렌더링 방법에 대한 대부분의 설명은 샘플이 독립적으로 생성된다고 가정합니다. 즉, 독립적이고 균일하게 분포 된 숫자의 스트림을 생성하는 표준 난수 생성기가 사용됩니다.
독립적으로 선택하지 않은 샘플은 노이즈 측면에서 유리할 수 있습니다. 예를 들어, 계층화 된 샘플링과 불일치 시퀀스는 렌더링 시간을 거의 항상 개선하는 상관 된 샘플링 방식의 두 가지 예입니다.
그러나 샘플 상관의 영향이 명확하지 않은 경우가 많습니다. 예를 들어, Metropolis Light Transport 와 같은 Markov Chain Monte Carlo 방법 은 Markov 체인을 사용하여 상관 된 샘플 스트림을 생성합니다. 많은 조명 방법 은 많은 카메라 경로에 작은 조명 경로 세트를 재사용하여 많은 관련 그림자 연결을 만듭니다. 심지어 광자 매핑 조차도 많은 픽셀에서 빛의 경로를 재사용함으로써 효율성을 얻습니다 (바이어스 방식으로도).
이러한 렌더링 방법은 모두 특정 장면에서는 도움이 될 수 있지만 다른 장면에서는 상황이 더 나빠질 수 있습니다. 다른 렌더링 알고리즘으로 장면을 렌더링하고 하나가 다른 것보다 눈에 잘 띄는 지 여부를 제외하고 이러한 기술에 의해 도입 된 오류 품질을 정량화하는 방법은 명확하지 않습니다.
문제는 샘플 상관 관계가 어떻게 몬테 카를로 추정기의 분산과 수렴에 영향을 미칩니 까? 어떤 종류의 샘플 상관이 다른 것보다 더 나은지 수학적으로 정량화 할 수 있습니까? 샘플 상관 관계가 유리한지 또는 유해한지 (예 : 지각 오차, 애니메이션 깜박임)에 영향을 줄 수있는 다른 고려 사항이 있습니까?