মন্টে কার্লো রেন্ডারিং পদ্ধতিগুলির বেশিরভাগ বিবরণ যেমন পাথ ট্রেসিং বা দ্বি নির্দেশমূলক পাথ ট্রেসিং অনুমান করে যে নমুনাগুলি স্বাধীনভাবে উত্পন্ন হয়েছে; অর্থাৎ, একটি স্ট্যান্ডার্ড এলোমেলো নম্বর জেনারেটর ব্যবহার করা হয় যা স্বতন্ত্র, অভিন্ন বিতরণকারী সংখ্যার একটি প্রবাহ তৈরি করে।
আমরা জানি যে নমুনাগুলি স্বাধীনভাবে বাছাই করা হয় না, শব্দের ক্ষেত্রে এটি উপকারী হতে পারে। উদাহরণস্বরূপ, স্তরযুক্ত নমুনা এবং নিম্ন-তাত্পর্য সিকোয়েন্সগুলি প্রায়শই সর্বদা রেন্ডার সময়কে উন্নত করে যাচাই করা স্যাম্পলিং স্কিমগুলির দুটি উদাহরণ।
তবে, এমন অনেকগুলি ক্ষেত্রে রয়েছে যেখানে নমুনা পারস্পরিক সম্পর্কের প্রভাবটি তেমন পরিষ্কার-কাট নয়। উদাহরণস্বরূপ, মেট্রোপলিস লাইট ট্রান্সপোর্টের মতো মার্কভ চেইন মন্টি কার্লো পদ্ধতিগুলি মার্কভ চেইন ব্যবহার করে পারস্পরিক সম্পর্কযুক্ত নমুনার একটি ধারা প্রবাহিত করে; বহু-আলো পদ্ধতিগুলি অনেক ক্যামেরা পাথের জন্য হালকা পাথের একটি ছোট সেট পুনরায় ব্যবহার করে, অনেকগুলি সম্পর্কযুক্ত ছায়া সংযোগ তৈরি করে; এমনকি ফোটন ম্যাপিং অনেকগুলি পিক্সেল জুড়ে হালকা পাথ পুনরায় ব্যবহার থেকে তার দক্ষতা অর্জন করে, নমুনা পারস্পরিক সম্পর্ক বাড়িয়ে তোলে (যদিও এটি পক্ষপাতদুষ্ট পদ্ধতিতে)।
এই সমস্ত রেন্ডারিং পদ্ধতি নির্দিষ্ট দৃশ্যে উপকারী প্রমাণিত করতে পারে তবে অন্যদের মধ্যে পরিস্থিতি আরও খারাপ করে দেবে বলে মনে হয়। বিভিন্ন রেন্ডারিং অ্যালগরিদম সহ দৃশ্যের রেন্ডারিং এবং একটির চেয়ে অন্যের চেয়ে ভাল লাগছে কিনা তা চোখ বোলানো ছাড়াও কীভাবে এই কৌশলগুলি দ্বারা প্রবর্তিত ত্রুটির গুণমানের পরিমাণ নির্ধারণ করা যায় তা স্পষ্ট নয়।
সুতরাং প্রশ্নটি হল: নমুনা পারস্পরিক সম্পর্ক কীভাবে মন্টে কার্লো অনুমানের রূপান্তর এবং রূপান্তরকে প্রভাবিত করে? আমরা কি কোনওভাবে গাণিতিকভাবে মাপ দিতে পারি যে কোন ধরণের নমুনা পারস্পরিক সম্পর্ক অন্যের চেয়ে ভাল? নমুনা পারস্পরিক সম্পর্ক লাভজনক বা ক্ষতিকারক (উদাহরণস্বরূপ উপলব্ধিযোগ্য ত্রুটি, অ্যানিমেশন ফ্লিকার) কিনা তা প্রভাবিত করতে পারে এমন অন্য কোন বিবেচনা রয়েছে কি?
