本稿では、疎な入力画像から高忠実度の3Dモデルを生成するための意味知覚型ニューラル再構成手法を提案する。疎な入力画像に起因する特徴の不一致によって引き起こされる顕著な光度の不確実性を克服するため、符号付き距離場と光度場と同時に最適化される、パッチベースの意味的ロジットをニューラル陰性表現に追加することで、表現を拡張する。形状の不確実性を低減するため、幾何学的プリミティブマスクに基づく新たな正則化手法を導入した。本手法の有効性は実験評価により検証された。DTUデータセットにおける再構成性能について、SparseNeuSに対して平均Chamfer距離を44%、VolReconに対して20%低減する効果が得られた。また、NeuSやNeuralangeloなどの高密度再構成ベースラインにプラグインとして適用した場合、DTUデータセット上の平均誤差はそれぞれ69%、68%低減された。