与其盲目地发射一些任意的固定数量的射线，不如把额外的光线集中到最合适的地方。一种方法是从每个像素使用5条射线开始，四条通过角，一条通过中心，如图18所示。如果五种射线中的每一种都是相同的颜色，我们就假设它们都可能击中同一个物体，我们就用这个像素的平均颜色。
如果光线有足够不同的颜色，那么我们将把像素细分成更小的区域。我们会像对待整个像素一样对待每个小的区域:我们会找到光线穿过角和中心，然后观察产生的颜色。如果任何一组给定的5束光线都是相同的颜色，那么我们将把它们平均起来，然后用它们作为区域的颜色;如果颜色完全不同，我们将再次细分。我们的想法是，我们将发送更多的光线穿过像素，穿过有趣的事情发生的地方。在我们只看到平坦的颜色的枯燥的区域，我们将不再做额外的工作。因为这种技术在颜色变化的地方进行细分，所以它适应于像素中的图像，因此被称为自适应超采样。流程的详细示例如图19所示。
这种方法很简单，不会太慢，而且通常工作得很好。但它的基本假设是薄弱的。假设某些固定数量的光线是相同颜色的，那么我们就对像素进行足够的采样，这是不公平的。一个持续存在的问题是小物体的问题:小物体会在最初的五道光线中滑动，当它们以动画的顺序穿过屏幕时，我们仍然会弹出。
自适应超采样的中心问题是，它在开始时使用一个固定的、任意数量的每个像素的射线，并且它仍然使用一个固定的、规则的网格进行采样(尽管随着我们细分，网格变得越来越小)。通常，当您需要快速地绘制出一幅只需要看起来不错的图片时，这种技术是可以的，但是它可以在您的图片中留下各种伪影。幸运的是，还有其他方法可以更好地解决混叠问题。