Volumetrische Video (VV) stelt gebruikers in staat om dynamische camera gecapteerde scènes te verkennen, met volledige controle over een virtuele camera. Bestaande VV-technieken worden echter beperkt door de nood aan gespecialiseerde hardware, gecontroleerde omgevingen en grote camera-arrays, waardoor ze moeilijk toepasbaar zijn. Dit onderzoek probeert deze beperkingen weg te werken door een methode te ontwikkelen die geen beperkingen oplegt aan het opnameproces of invoertype, waardoor eender welke video kan worden omgezet in een realtime fotorealistische VV. Om dit te bereiken, identificeer ik de technische uitdagingen en onderzoek ik waarom state of the art methoden deze problemen nog niet hebben overwonnen. Vervolgens beargumenteer ik dat het oplossen van deze uitdagingen voldoende is voor een wijdverspreide adoptie van VV. Tot slot stel ik nieuwe methodes voor om de geïdentificeerde uitdagingen aan te pakken. De hoofdfocus van dit voorstel is het aanpakken van de onzekerheid die inherent is aan de schaarse en onvolledige gegevens die typische amateurvideo's leveren. Ik introduceer methoden om deze onzekerheid te verminderen, waaronder een sterke inductieve bias en efficiënt gebruik van een generatieve prior. Ik presenteer ook de eerste methode om deze onzekerheid expliciet te modelleren. Daarnaast stel ik technieken voor om met inconsistenties om te gaan die afkomstig zijn van bijvoorbeeld: generatieve AI, onscherpte, en schattingsfouten.