Wir stellen eine semantikbewusste neuronale Rekonstruktionsmethode vor, die es ermöglicht, 3D-Modelle hoher Qualität aus spärlichen Bildern zu generieren. Um die Herausforderung der starken Strahlungsambiguität zu bewältigen, die durch fehlerhafte Merkmalsübereinstimmungen in den spärlichen Eingabebildern verursacht wird, erweitern wir neuronale implizite Darstellungen durch die Einführung von patchbasierten semantischen Logits, die gemeinsam mit dem signierten Abstandsfeld und dem Strahlungsfeld optimiert werden. Zudem wird eine neuartige Regularisierung eingeführt, die auf geometrischen Grundformmasken basiert, um die Formambiguität zu verringern. Die Leistungsfähigkeit unseres Ansatzes wurde in experimentellen Evaluierungen bestätigt. Die durchschnittlichen Chamfer-Distanzen unserer Rekonstruktionen auf dem DTU-Datensatz lassen sich um 44 % bei SparseNeuS und um 20 % bei VolRecon reduzieren. Wenn der Ansatz als Plugin für dichtere Rekonstruktionsbaselines wie NeuS oder Neuralangelo eingesetzt wird, kann die durchschnittliche Fehlerquote auf dem DTU-Datensatz um jeweils 69 % und 68 % verringert werden.