Nous proposons une méthode de reconstruction neuronale consciente du sens afin de générer des modèles 3D à haute fidélité à partir d’images éparses. Pour relever le défi posé par l’ambiguïté radiométrique importante résultant de l’incidence de caractéristiques mal alignées dans les entrées éparses, nous enrichissons les représentations implicites neuronales en ajoutant des logits sémantiques basés sur des patches, optimisés conjointement avec le champ de distance signée et le champ radiométrique. Une nouvelle régularisation fondée sur des masques de primitives géométriques est introduite afin de réduire l’ambiguïté de forme. La performance de notre approche a été validée par des évaluations expérimentales. La distance de Chamfer moyenne de notre reconstruction sur le jeu de données DTU est réduite de 44 % pour SparseNeuS et de 20 % pour VolRecon. Lorsqu’elle est utilisée comme module complémentaire (plugin) pour des méthodes de reconstruction denses telles que NeuS et Neuralangelo, l’erreur moyenne sur le jeu de données DTU est réduite respectivement de 69 % et 68 %.