局所アフィン共変領域を学習するための手法が提示される。本研究では、幾何学的再現性を最大化しても、信頼性の高いマッチングが可能な局所領域（＝特徴点）が得られないことを示し、これにより記述子に基づく学習が不可欠であることを明らかにする。本研究では、このような学習および登録に影響を与える要因——損失関数、記述子の種類、幾何学的パラメータ化、マッチング可能性と幾何学的正確性のトレードオフ——を検討し、アフィン領域の学習に向けた新たな「ハードネガティブ定数損失関数」を提案する。この損失関数により学習されたアフィン形状推定器「AffNet」は、Bag-of-Words型画像検索および広基線ステレオにおいて、従来の最先端手法を上回る性能を達成した。また、本手法の学習プロセスでは、正確な幾何学的整合済みパッチの準備を必要としない。ソースコードおよび学習済み重みは、https://github.com/ducha-aiki/affnet にて公開されている。