Le rendu d'images photo-réalistes d'une scène virtuelle nécessite la simulation de la façon dont la lumière interagit avec elle. Cela nécessite généralement un grand nombre d'échantillons détaillant la radiance reçue et sortante entre les surfaces. Comme il s'agit d'un processus coûteux, il est important d'être efficace avec ces informations. Cette thèse explore deux domaines différents pour cela. Le premier est le Low-Rank Matrix Completion problème, qui cherche à combler les entrées manquantes d'une low-rank matrice partiellement observée. Nous appliquons cela au Many-Lights problème, un problème d'éclairage direct qui implique le rendu de scènes avec un grand nombre de lumières. Ce problème est particulièrement adapté à la low-rank matrix completion, parce que sa formulation matricielle s'avère être approximativement de low-rank. Nous proposons une version modifiée de l'algorithme de Adaptive Matrix Completion, que nous appelons la complétion de matrice adaptative booléenne, pour réduire le nombre de calculs de visibilité entre les lumières et les surfaces, permettant des rendus nettement plus rapides des images finales. Le deuxième domaine que nous étudions est la réutilisation efficace des échantillons de Monte-Carlo lorsque la mesure de probabilité a changé. Ceci est important car la combinaison naïve d'échantillons tirés de différentes distributions de probabilité peut conduire à une variance plus élevée, voire à un biais. Nous proposons une méthode hybride, que nous appelons Reweighting-Augmentation, qui vise à résoudre ce problème. Nous étudions cette méthode dans deux domaines d'application différents. Le premier est progressive path tracing avec des caméras animées, où la distribution d'échantillonnage change sur les surfaces brillantes en raison d'un changement dans la direction de l'incident. Le second est l'algorithme Practical Path Guiding, dans lequel les distributions d'échantillonnage changent à mesure que la fonction d'éclairement énergétique d'une scène est apprise de manière itérative. Nous avons constaté que notre méthode proposée a montré des résultats prometteurs pour le premier, permettant une variance réduite dans les images générées finales. Bien que nous n'ayons pas obtenu de résultats positifs pour ce dernier, nous pensons que le problème doit encore être approfondi et qu'il y a lieu de rester positif.