怎样更深刻地理解路径追踪技术

初学者在开始学习路径追踪技术的时候，往往会把精力放在各种新奇的采样技术上，例如MLT，PM以及围绕这些基础方法的各种改进融合，但是这些采样方法通常对于深刻理解蒙特卡洛方法的本质没有太大帮助，因为MC方法本身仅给出关于误差的计算，并没有深入解释MC方法的误差到底是什么。例如以下的问题大多时候我们无法给出清晰的答案：

1，MC估计的error到底什么？

2，noise是由什么导致的？

3，blurriness是怎么形成的？

4，sampling和reconstruction之间是什么关系，以及它们对error有什么影响？

5，aliasing和error是什么关系？

6，bias跟sampling有关系还是跟reconstruction有关系？

7，error能被用于指导采样的改进吗？

。。。。。。

以上这些可以归结为variance，bias，error，sampling，reconstruction，blurriness这些概念之间的联系和关系，可以说理解好了这些概念，你对路径追踪技术基本上有比较深刻的理解了。这些也是工业中现在非常流行的技术。而这些概念学习的方向很简单，就是Adaptive sampling和Adaptive reconstruction，以下给出一篇Survey：

Recent Advances in Adaptive Sampling and Reconstruction for Monte Carlo Rendering

这些内容在《全局光照技术：从离线到实时渲染》第6章有大篇幅详细的讨论，欢迎关注3月份本书发起的众筹活动。