弱监督学习可以帮助局部特征方法克服获取大规模密集标注对应数据集的障碍。然而，由于弱监督无法区分检测和描述步骤所引起的损失，直接在联合描述-检测管道中进行弱监督学习会导致性能受限。本文提出了一种专为弱监督局部特征学习设计的解耦描述-检测管道。在该管道中，检测步骤与描述步骤分离，并推迟到学习到具有判别性和鲁棒性的描述符之后再进行。此外，我们引入了一种线到窗口搜索策略（line-to-window search strategy），以显式利用相机姿态信息来改进描述符的学习。大量实验表明，我们的方法（即PoSFeat（相机姿态监督特征））优于以往的完全监督和弱监督方法，并在广泛的下游任务中实现了最先进的性能。