标准电话会议系统尚不具备通过虚拟信息丰富远程实时视频的能力，部分原因是通过网络传输实时捕获的 3D 信息存在一些缺点。例如，3D 信息的带宽要求远高于普通视频。此外，为了生成准确的 3D 表示，必须从多个方向捕获环境。通常，用户习惯于指向摄像机，以便它仅捕获用户想要显示给视频会议的远程参与者的环境的那些部分。