首先，VR得益于三维游戏的发展，而AR收益于影视领域的跟踪技术（video tracking）的发展。从技术门槛的角度来说，VR、AR和移动端重合的技术有：显示器、运动传感器、处理器、储存&记忆、无线连接……所以在硬件上，这些都不是技术难点。
VR、AR的难点都在感知和显示，感知是一种mapping，VR mapping的是一个lighthouse的空间或者PS camera mapping的一个交叉；在显示上，VR如何精准地匹配用户的头部产生相应的画面，AR则在这基础上算出光照、遮挡等情况并让图像通透不干扰现实中的视线。
而VR硬件的难点在于光学的镜片技术和位置追踪技术，因为以前的移动端不涉及这些技术。
而AR的硬件难点在于显示和感知，显示最大的难点在于accommodation，因为用户看见虚拟物体固定在2-3米的位置，而现实物体却可以前后聚焦，如果这时虚拟物体放在现实物体上，则会引发辐辏→用户聚焦错乱；而在感知上，即使是有Kinect是十几年积累的hololens，它已经做到世界第一了，可它的spatial mapping仍需要花费很多时间去扫描去建模，至限在狭小的室内走来走去，而在室外就完全失效了。
当然，也因为这些技术的门槛，导致硬件价格居高不下。
正因为此，AR行业一片冷寂，而VR行业非常火爆，因为VR的技术门槛比AR低一个数量级，VR更容易成功。
而从软件角度来说，现阶段视觉上的难点比较多：
VR的核心技术是tracking（追踪）和CG（计算机图形）。三自由度的方向追踪，六自由度的位置追踪（见《追踪设备的使用场景和覆盖范围有哪些局限？是否会影响VR可交互的空间的设计？》）
而AR的核心技术主要是
计算机视觉（computer vision）
物体识别（object recognition）。
包括人脸识别
区域识别
如果说广义的VR和AR还包括其他的交互方式，比如语音识别（speech recognition）
手势识别（gesture recognition）
最近上Stanford的CV课学到的几个知识点搬上来——
AR要把虚拟物体整合（integrate）到现实环境中来，它需要摄像头来建立现实空间的坐标系。
三种图像配准（image registration）：
1. interest points（兴趣点）
2. fiducial markers（基准标记）
3. optical flow（光流）
几种图形处理（ image processing）：
1. corner detection（角点检测）
2. blob detection（斑点检测）
3. edge detection（边缘检测）
4. thresholding（阈值）
根据上面的图像配准（image registration）和图形处理（ image processing）建立现实世界的坐标系统（real world coordinate system）。
