這個模型中因為視頻的加入得到一個無論是虛擬場景還是視頻本身都無法單獨完成的信息結合體。視頻融合的目的是增加虛擬場景與現實的互動性，減小計算機模型中信息不確定因素，增加虛擬模型的信息承載量，為現實與虛擬之間架起一座橋樑，拓展虛擬現實技術的套用領域。
視頻融合的基本流程如圖2.1所示：
視頻融合技術一般可以分為三個層次，即預處理、信息融合與套用層。如圖2.1所示，預處理技術主要用來對視頻圖像進行幾何校正、噪聲消除、色彩；亮度調整及配準等等。視頻圖像配準是指找到視頻圖像與三維虛擬場景的最大相關，以消除圖像在空間、相位和解析度等方向的信息差異，達到融合更真實，信息更準確的目的。信息融合層即視頻圖像的融合。視頻圖像融合由智慧型度由低向高可以分為像素級、特徵級、決策級融合等。像素級融合指基於圖像像素進行拼接融合，是兩個或兩個以上的圖像融合成為一個整體。特徵級融合以圖形的明顯特徵，如線條、建築等特徵為基礎進行圖像的拼接與融合。決策級融合使用貝葉斯法、D-S證據法等數學算法進行機率決策，依此進行視頻或圖像融合，更適應於主觀要求。
綜合評估及套用即視頻與三維模型融合後可以從視頻與客觀兩個方面進行評估，對融合結果給出評價並將融合後的信息體進行實踐套用。
