A arquitetura de um sistema de RV é formada por hardware e software especializado capaz de criar a ilusão de RV ao utilizador. Dar-se-á maior destaque ao codec de vídeo por este estar associado a maior complexidade e rate, pelo que o áudio será abordado na parte reservada aos codecs. Divide-se um sistema de RV vídeo em seis blocos funcionais:

​

• Aquisição - o processo de captura de vídeo é feito com múltiplas câmeras num formato RAW. Os dados de vídeo resultantes da aquisição em formato digital são o output deste bloco;

 

• Pré-processamento - o conteúdo do vídeo capturado tem de ser pré-processado antes de seguir para o processo de codificação;

 

• Codificação - processo de compressão e codificação do vídeo pré-processado de forma a obter-se um armazenamento e transmissão eficientes para uma dada aplicação de RV;

 

• Transmissão - os dados comprimidos e codificados, após o processo de codificação de fonte e codificação de canal, são transmitidos para o utilizador através da rede de telecomunicações em causa, de forma a serem consumidos pelos dispositivos de RV;

 

• Descodificação - hardware e software capaz de estimar a sequência de vídeo original a partir da sequência de vídeo transmitida pela rede. O vídeo  transmitido é então descodificado e descomprimido num dado dispositivo. Este dispositivo pode ser um recetor fixo (desktop) ou móvel (smartphone);

​ 

• Renderização/Apresentação - o conteúdo de vídeo descodificado é renderizado e apresentado nos dois ecrãs do HMD. Pode ainda incluir algumas operações de pós-processamento antes da apresentação final do conteúdo.

​

O processo de codificação e descodificação vão ser tratados, em diante, como uma entidade conjunta designada por codec, uma vez que se tratam de dois processos duais um do outro.