CoordenaÃÃo de AperfeiÃoamento de NÃvel Superior / Este trabalho propÃe melhorias em uma tÃcnica de amostragem adaptativa multidimensional para renderizaÃÃo. RenderizaÃÃo à o processo de sÃntese de imagens por meio de algoritmos que simulam a iluminaÃÃo em cenÃrios virtuais. As tÃcnicas mais gerais de renderizaÃÃo fotorrealÃstica â aquelas que procuram obter imagens que se assemelham a fotografias â utilizam mÃtodos de integraÃÃo baseados em Monte Carlo para resolver a equaÃÃo que descreve a distribuiÃÃo de luz na cena (equaÃÃo de renderizaÃÃo). Por ser um mÃtodo probabilÃstico e utilizar amostras geradas randomicamente, Monte Carlo produz ruÃdo na imagem final â resultado da variÃncia das amostras â e portanto, pode necessitar de uma grande quantidade de amostras para que o ruÃdo diminua a nÃveis aceitÃveis. Com o intuito de se obter imagens de melhor qualidade com uma menor quantidade de amostras, foram pospostas tÃcnicas de amostragem adaptativa que visam concentrar o esforÃo de amostragem em regiÃes mais importantes da cena. Neste trabalho, propÃe-se a modificaÃÃo de uma tÃcnica de amostragem adaptativa multidimensional por meio da adiÃÃo de duas etapas: substituiÃÃo de amostras e integraÃÃo auxiliar. Essas etapas visam dar mais robustez à tÃcnica, possibilitando sua utilizaÃÃo em uma maior variedade de situaÃÃes. AlÃm da adiÃÃo de duas etapas, tambÃm propÃe-se uma tÃcnica de reconstruÃÃo mais eficiente na etapa final. / This work proposes improvements in a multidimensional adaptive sampling technique for rendering. Rendering is the process of synthesizing images by algorithms simulating lighting in virtual scenes. The more general techniques of photorealistic rendering â those seeking images that resemble photographs â use integration methods based on Monte Carlo to solve the equation that describes the distribution of light in the scene (rendering equation). Being a probabilistic method which uses randomly generated samples, Monte Carlo produces noise in the final image â result of samplesâ variance â and therefore may require a large amount of samples to reduce the noise to acceptable levels. To obtain images of better quality with a lower number of samples, adaptive sampling techniques were proposed, concentrating sampling effort in the most important regions. In this work, we propose the addition of two steps to a multidimensional adaptive sampling technique: substitution of samples and auxiliary integration. These steps aim to give more strength to the technique, enabling their use in a wider variety of situations.