O processo de captação bem como a visualização de conteúdos, são as fazes cruciais do todo processo, pois é aqui que mais se lida com o critério subjectivo de qualidade do ser humano, e onde os mais pequenos erros são os mais notados.

        A escolha da distância entre câmeras, bem como a distância à cena influencia a distância do espectador ao ecrã. Isto dizer que a escolha da disposição das câmeras deve ter em conta o destino dos conteúdos, se Televisão ou Cinema, e a que distância em média se encontram os espectadores. Atendendo aos conceitos de convergência e focagem já apresentados, tem-se por exemplo que um par estereoscópico filmado com uma distância entre câmeras superior à inter-pupilar resulta nos olhos do espectador a convergirem num ponto para lá do ecrã. Inversamente, imagens menos separadas forçam a convergência num ponto entre o espectador e o ecrã dando a sensação da imagem “saltar para fora” deste. É fundamental quando se criam conteúdos 3D perceber o espaço visual onde a cena vai ser projectada, e onde o espectador se insere nela.     

       Interessa também saber onde colocar o foco de convergência da imagem. Tipicamente é colocado no “fundo” da imagem 3D, para que o espectador faça a convergência para os objectos em primeiro plano, e evite divergir os olhos, o que pode causar problemas de fatiga visual.

       Outro aspecto importante é, como se verá mais à frente, que os sistemas modernos não tratam apenas de um par estereoscópico mas de vários. Assim é importante manter a coerência visual não só no mesmo par, mas também entre pares estereoscópicos distintos. Há dois aspectos importantes a considerar aqui: em primeiro lugar, as várias vistas captadas têm de oferecer ao espectador uma sensação aproximada da que ele teria quando se deslocasse em torno do objecto real. É preciso dimensionar as distâncias entre pares captadores e entre estes e os componentes da cena para que estas repliquem no local de visionamento as imagens de forma apropriada.

      O segundo aspecto prende-se com a ilusão de movimento. Quando se pretende disponibilizar um conteúdo 3D com um largo ângulo de visão lateral é necessário garantir que há pares estereoscópicos suficientes no campo de visão para que o espectador não sinta que está a passar de uma imagem de um ângulo para outra, mas antes que observa um fluxo contínuo. O uso de um número pouco razoável de câmeras pode ser ultrapassado recorrendo a técnicas de interpolação que permitam captar imagens de alguns ângulos e permitir na recepção gerar as imagens entre eles.