https://www.yuque.com/gggyyy/gk3tpf/ceaso6g79hcffo7w?singleDoc#
输入虽然也是xyzt，但是会利用t维度，显式的表达一个frame0作为基准（canonical space）的形变场。
https://www.albertpumarola.com/research/D-NeRF/index.html
额外学习一个形变场（即场景相对于frame0的形变）
从paper来看，好像在一定程度上是解耦的（解耦成一个标准空间的frame0的静态场景，和一个形变场，但是形变场不能独立于静态场景而存在）
形变场也没有单独的监督，即和frame0的static场景联合训练并 直接应用mse loss
解耦场景的融合策略
直接在输入层面融合：即直接将形变场的输出与 static部分的输入相加，形成形变后的新输入
https://vcai.mpi-inf.mpg.de/projects/nonrigid_nerf/
思路： 看paper似乎是 per frame学习一个latent code I（内含per frame的动态信息），然后利用一个mlp b（输入是x和I）计算出per frame的形变场（这么一看，其实就是升级版的D-NeRF）
