Większość opisów metod renderowania Monte Carlo, takich jak śledzenie ścieżki lub dwukierunkowe śledzenie ścieżki, zakłada, że próbki są generowane niezależnie; to znaczy używany jest standardowy generator liczb losowych, który generuje strumień niezależnych, równomiernie rozmieszczonych liczb.
Wiemy, że próbki, które nie zostaną wybrane niezależnie, mogą być korzystne pod względem hałasu. Na przykład stratyfikowane sekwencje próbkowania i sekwencje o niskiej rozbieżności są dwoma przykładami skorelowanych schematów próbkowania, które prawie zawsze poprawiają czasy renderowania.
Istnieje jednak wiele przypadków, w których wpływ korelacji próbek nie jest tak wyraźny. Na przykład metody Markowa w łańcuchu Monte Carlo, takie jak Metropolis Light Transport, generują strumień skorelowanych próbek przy użyciu łańcucha Markowa; metody wielu świateł ponownie wykorzystują mały zestaw ścieżek światła dla wielu ścieżek kamery, tworząc wiele skorelowanych połączeń cienia; nawet mapowanie fotonów zyskuje na skuteczności dzięki ponownemu wykorzystaniu ścieżek światła na wielu pikselach, zwiększając również korelację próbek (choć w sposób stronniczy).
Wszystkie te metody renderowania mogą okazać się korzystne w niektórych scenach, ale wydają się pogorszyć w innych. Nie jest jasne, jak obliczyć jakość błędu wprowadzonego przez te techniki, oprócz renderowania sceny za pomocą różnych algorytmów renderowania i sprawdzania, czy jedno wygląda lepiej od drugiego.
Pytanie zatem brzmi: w jaki sposób korelacja próbki wpływa na wariancję i zbieżność estymatora Monte Carlo? Czy możemy w jakiś sposób matematycznie oszacować, który rodzaj korelacji próbki jest lepszy od innych? Czy istnieją inne czynniki, które mogą wpłynąć na to, czy korelacja próbki jest korzystna czy szkodliwa (np. Błąd percepcyjny, migotanie animacji)?
