يُعد تطابق وصفيات الميزات خطوة حاسمة في العديد من تطبيقات الرؤية الحاسوبية مثل تجميع الصور، واسترجاع الصور، والتحديد البصري. ومع ذلك، يتأثر هذا التطابق غالبًا بعوامل عملية متعددة تؤدي إلى تدهور أدائه. من بين هذه العوامل، تُعد التغيرات في الإضاءة أكثر العوامل تأثيرًا، وبخاصة أن معظم الدراسات السابقة حول تعلم الوصفيات لم تتناول هذا المشكل بشكل مباشر. في هذا البحث، نقترح نموذج IF-Net، المصمم لاستخلاص وصفيات قوية وعامة في ظل ظروف تغيرات إضاءة حاسمة. ووجدنا أن نوع البيانات المستخدمة في التدريب ليس فقط مهمًا، بل أيضًا ترتيب عرضها له تأثير كبير. ولتحقيق ذلك، قمنا بدراسة عدة أساليب لجدولة المجموعات البيانات، واقترحنا خطة تدريب منفصلة لتحسين دقة التطابق. علاوة على ذلك، قمنا بتطوير خسارة منطقة الاهتمام (ROI loss) واستراتيجية استخراج العينات الإيجابية الصعبة (hard-positive mining) ضمن هذه الخطة التدريبية، مما يعزز قدرة الوصفيات الناتجة على التعامل مع التغيرات الكبيرة في الإضاءة. تم تقييم منهجنا على معيار عام لتطابق القطع (patch matching benchmark)، وحقق أفضل النتائج مقارنةً بعدة طرق حديثة حديثة. ولإظهار الجدوى العملية، قمنا بتقييم نموذج IF-Net أيضًا على مهمة التحديد البصري في بيئات تشهد تغيرات كبيرة في الإضاءة، حيث حقق أفضل دقة في التحديد.