التكافؤ مع التحويلات العشوائية للصور هو طريقة فعالة لتعلم معالم فئات الأشياء، مثل العيون والأنف في الوجوه، دون إشراف يدوي. ومع ذلك، لا يضمن هذا الطريقة بشكل صريح أن المعالم المُتعلمة تكون متسقة مع التغييرات بين حالات مختلفة لنفس الشيء، مثل هويات وجوه مختلفة. في هذه الورقة البحثية، نطور منظورًا جديدًا على نهج التكافؤ من خلال ملاحظة أن كاشفات المعالم الكثيفة يمكن تفسيرها كوصفات محلية للصورة مجهزة بالثبات تجاه التباين داخل الفئة. ثم نقترح طريقة مباشرة لفرض هذا الثبات في الخسارة التكافؤية القياسية. نقوم بذلك من خلال تبادل متجهات الوصف بين صور حالات مختلفة للأجسام قبل مطابقتها هندسيًا. بهذه الطريقة، يجب أن تعمل نفس المتجهات بغض النظر عن الهوية الخاصة بالجسم المُعتبر. نستخدم هذا النهج لتعلم متجهات يمكن تفسيرها في الوقت نفسه كوصفات محلية ومعالم كثيفة، مما يجمع بين مزايا كل منهما. أظهرت التجارب على مقاييس الأداء القياسية أن هذا النهج يمكن أن يصل إلى مستوى الأداء الرائد ويتفوق عليه في بعض الحالات بين الأساليب الحالية التي تتعلم المعالم دون إشراف. الكود متاح على www.robots.ox.ac.uk/~vgg/research/DVE/.