我们提出了一种语义感知的神经重建方法，可从稀疏图像中生成高保真度的三维模型。为解决稀疏输入中因特征不匹配导致的严重辐射度歧义问题，我们通过引入基于图像块的语义逻辑值（semantic logits），丰富了神经隐式表示，并将其与有符号距离场（signed distance field）和辐射场（radiance field）共同优化。此外，我们提出一种基于几何原始体掩码（geometric primitive masks）的新正则化策略，以缓解形状歧义问题。实验评估验证了所提方法的有效性：在DTU数据集上，我们的重建结果相较于SparseNeuS和VolRecon，平均Chamfer距离分别降低了44%和20%。当作为NeuS和Neuralangelo等密集重建基线方法的插件使用时，DTU数据集上的平均误差分别降低了69%和68%。