ランダムな画像変換に対する等方性は、顔の目や鼻などの物体カテゴリのランドマークを手動の監督なしに学習する効果的な方法です。しかし、この方法は同じ物体の異なるインスタンス間（例えば、異なる顔のアイデンティティ間）の変化と一貫性があることを明示的に保証していません。本論文では、等方性アプローチについて新しい視点を開発し、稠密なランドマーク検出器がカテゴリ内の変動に対して不変性を持つ局所画像記述子として解釈できることに注目します。次に、標準的な等方損失においてこのような不変性を強制する直接的な方法を提案します。これは、幾何学的にマッチングを行う前に、異なる物体インスタンスの画像間で記述子ベクトルを交換することによって実現されます。この方法により、考慮される具体的な物体アイデンティティに関係なく同じベクトルが機能しなければならないことが保証されます。私たちはこのアプローチを使用して、局所記述子と稠密なランドマークとして同時に解釈できるベクトルを学習し、両者の利点を組み合わせています。標準的なベンチマークでの実験結果は、このアプローチが既存の非監督ランドマーク学習手法の中で最先端の性能に匹敵し、場合によってはそれを上回ることが示されています。コードは www.robots.ox.ac.uk/~vgg/research/DVE/ から入手可能です。