特徴記述子のマッチングは、画像のスタッチング、画像検索、視覚的局所化など、多数のコンピュータビジョン応用において重要なステップである。しかし、実用的な要因の影響を受けることが多く、その性能が低下する傾向にある。このような要因の中でも、照明条件の変化が最も大きな影響を与える。特に、これまでの記述子学習に関する研究は、この問題に焦点を当てたものがあまり存在しなかった。本論文では、著者らは照明条件の大幅な変化に強い汎用的な特徴記述子を生成することを目的として、IF-Netを提案する。我々は、訓練データの種類だけでなく、その提示順序も重要であることを発見した。この観点から、複数のデータセットスケジューリング手法を検討し、マッチング精度の向上を図るための分離学習スキームを提案する。さらに、この学習スキームに加えて、ROI損失関数とハードポジティブマイニング戦略を導入することで、生成された記述子が大規模な照明変化に対しても強靭な性能を発揮する能力を強化した。提案手法は、公開のパッチマッチングベンチマークにおいて評価され、複数の最先端手法と比較して最も優れた結果を達成した。実用性の検証として、照明条件の変化が著しい環境下における視覚的局所化タスクにおいてもIF-Netを評価したところ、最も高い局所化精度を達成した。