نُقدّم طريقة استعادة عصبية تراعي السياق الدلالي لاستخلاص نماذج ثلاثية الأبعاد عالية الدقة من صور مُتفرّقة. وللتصدي للتحدي الناتج عن الغموض الشديد في الإضاءة الناتج عن تمايز الميزات في المدخلات المُتفرّقة، نُغَنِّم التمثيلات الضمنية العصبية بإضافة "لُغات دلالية مبنية على الحُقَل" (patch-based semantic logits)، والتي تُحدَّث معًا مع حقل المسافة الموقّعة وحقل الإضاءة. كما نُقدّم ت régularization (تَنْظيمًا) جديدًا مبنيًا على أقنعة الأشكال الهندسية الأساسية لتقليل الغموض في الشكل. وقد تأكّد أداء منهجنا من خلال تقييم تجريبي. حيث يمكن تقليل المسافة المتوسطة لـ "تشامفر" (Chamfer distance) في استعادة نماذجنا على مجموعة بيانات DTU بنسبة 44% بالنسبة لـ SparseNeuS، وبنسبة 20% بالنسبة لـ VolRecon. وعند استخدامه كمكوّن مُكمّل (plugin) لمناهج الاستعادة الكثيفة مثل NeuS وNeuralangelo، يمكن تقليل الخطأ المتوسط على مجموعة بيانات DTU بنسبة 69% و68% على التوالي.