توفر التعلم العميق للمتر (DML) أداة جوهرية للتطبيقات المرتبطة بالتشابه البصري والتطبيقات بدون عينات (zero-shot) من خلال تعلُّم فضاءات التضمين العامة، رغم أن الدراسات الحديثة في مجال DML أظهرت توقفًا واضحًا في الأداء بالنسبة لدوافع التدريب. ومع ذلك، يُعرف أن قدرة التعميم تزداد مع زيادة أبعاد فضاء التضمين. لسوء الحظ، فإن التضمينات عالية الأبعاد تؤدي إلى تكاليف استرجاع أعلى في التطبيقات اللاحقة. وللتغلب على هذه المشكلة، نقترح \emph{الاستخلاص الذاتي المستند إلى التشابه بشكل متزامن (S2SD)}. يُعد S2SD تمديدًا لـ DML من خلال استخدام الاستخلاص المعرفي من فضاءات تضمين وسمات ثانوية عالية الأبعاد، بهدف استغلال السياق المكمل أثناء التدريب، مع الحفاظ على التكلفة الزمنية أثناء الاختبار، وبأقل التغيرات الممكنة في زمن التدريب. أظهرت التجارب والتحليلات المُفصَّلة عبر مختلف الدوافع والمقاييس القياسية تحسينات ملحوظة تصل إلى 7% في دقة الاسترجاع (Recall@1)، كما ساهمت في تحقيق أداءً جديدًا على مستوى الحالة الراهنة (state-of-the-art). يمكن الوصول إلى الكود عبر الرابط: https://github.com/MLforHealth/S2SD.