우리는 희소 이미지로부터 3D 고해상도 모델을 생성하기 위해 의미 인지(neural reconstruction) 기반의 새로운 방법을 제안한다. 희소 입력에서 특징 불일치로 인해 발생하는 심각한 광원 불확실성 문제를 해결하기 위해, 서피셜 거리 필드와 광원 필드와 함께 최적화되는 패치 기반 의미 로짓(patch-based semantic logits)을 신경 암묵 표현에 추가하여 표현을 풍부화한다. 또한, 기하학적 기본 요소 마스크를 기반으로 한 새로운 정규화 기법을 도입하여 형태의 불확실성을 완화한다. 제안한 방법의 성능은 실험적 평가를 통해 검증되었으며, DTU 데이터셋에서 SparseNeuS에 대해 재구성 결과의 평균 체임퍼 거리는 44% 감소하고, VolRecon에 대해서는 20% 감소하는 효과를 보였다. 또한, NeuS 및 Neuralangelo와 같은 밀도 높은 재구성 기반 모델의 플러그인으로 활용할 경우, DTU 데이터셋에서 평균 오차가 각각 69%, 68% 감소하는 성능 향상을 달성하였다.