La estructura densa no rígida del movimiento (NRSfM) ha sido durante mucho tiempo un desafío en la visión por computadora debido a la gran cantidad de puntos característicos. A medida que las redes neuronales se desarrollan rápidamente, está surgiendo una solución novedosa. Sin embargo, los métodos existentes ignoran la importancia de los datos espacio-temporales y la fuerte capacidad de las redes neuronales para el aprendizaje. Este estudio propone un marco profundo de NRSfM espacio-temporal (DST-NRSfM) e introduce una restricción espacial ponderada para optimizar aún más los resultados de reconstrucción en 3D. Se aplican capas de normalización de capa en tareas densas de NRSfM para detener la desaparición del gradiente y acelerar la convergencia de la red neuronal. Nuestro marco DST-NRSfM supera tanto a enfoques clásicos como a avances recientes. Logra un rendimiento de vanguardia en conjuntos de datos de referencia sintéticos y reales comúnmente utilizados.