신경 암시 표현(Neural implicit representations)은 3D 재구성을 위한 강력한 패러다임으로 부상했습니다. 하지만, 실내 환경의 높은 충실도의 표면 재구성은 주로 실내 장면의 두드러진 extit{기하학적 이질성}(geometric heterogeneity) 때문에 여전히 중요한 과제로 남아 있습니다. 대형 텍스처가 없는 평면 영역은 일반적으로 고주파 아티팩트를 억제하기 위해 더 강력한 정규화(regularization)를 필요로 하며, 반면 얇은 구조물은 다층 퍼셉트론(MLPs)의 스펙트럼 편향을 완화하고 과도한 부드러워짐(over-smoothing)을 방지하기 위해 더 날카롭고 적응적인 표현을 요구합니다. 기존 접근 방식들은 종종 공간적으로 무차별적인 사전 감독(spatially indiscriminate prior supervision)과 장면 전체에 적용되는 SDF-to-density 변환에 의존하며, 이는 평면의 부드러움과 디테일 보존 간의 균형을 맞추는 능력을 제약합니다. 본 논문에서는 CASA-SDF (Curriculum-Aware Spatial Adaptation for SDF), 즉 커리큘럼 인식 공간 적응(Curriculum-Aware Spatial Adaptation)을 위한 SDF를 제안하며, 이는 감독(supervision)과 표현 능력의 보완적인 적응을 통해 이 문제를 해결하는 통합 프레임워크입니다. 구체적으로, 하이브리드 공간 적응 불확실성 어닐링(Hybrid Spatially-Adaptive Uncertainty Annealing, SAUA)은 의미론적 및 사진측정학적 불확실성을 융합하여 단안 사전 감독을 위한 픽셀 단위의 커리큘럼을 구성합니다. 이 전략은 신뢰할 수 있는 영역에서는 정규화를 유지하는 동시에, 학습 초기에 신뢰할 수 없는 감독을 약화시켜 데이터 기반의 사진측정학적 개선이 가능하게 합니다. 한편, 곡률 인식 국소 적응 밀도 변환(Curvature-Aware Locally Adaptive Density Transformation, CALADT)은 곡률 프록시를 통해 SDF-to-density 매핑의 선명도를 점진적으로 조절하여 얇은 구조물의 표현을 향상시킵니다. 벤치마크 실내 데이터셋에 대한 광범위한 실험 결과는 CASA-SDF가 평면 표면의 안정성을 저해하지 않으면서, 고주파 구조물에서 표면 완전성과 디테일 복구를 개선함을 입증합니다.