Les cadres de caractéristiques locales sont difficiles à apprendre de manière end-to-end en raison de la discrétion inhérente à la sélection et au couplage de points clés épars. Nous présentons DISK (DIScrete Keypoints), une nouvelle méthode qui surmonte ces obstacles en s'appuyant sur des principes de l'Apprentissage par Renforcement (AR), optimisant de manière end-to-end pour un grand nombre de correspondances de caractéristiques correctes. Notre modèle probabiliste simple mais expressif nous permet de maintenir les régimes d'entraînement et d'inférence proches, tout en conservant des propriétés de convergence suffisamment bonnes pour assurer une formation fiable à partir de zéro. Nos caractéristiques peuvent être extraites très dense tout en restant discriminantes, remettant ainsi en question les hypothèses couramment admises sur ce qui constitue un bon point clé, comme le montre la Fig. 1, et offrant des résultats d'état de l'art sur trois benchmarks publics.