網膜画像マッチング（RIM）において、本研究では、キーポイント検出器と記述子を共同で学習可能な、初めてのエンドツーエンド型手法「SuperRetina」を提案する。SuperRetinaは、新しい半教師付き学習アプローチで訓練される。わずか100枚程度の画像（ほぼ完全にラベル付けされていない）を用いて、血管樹におけるキーポイントの検出をネットワークに監視させる。手動ラベルの不完全性に対処するため、各訓練エポックにおいてキーポイントラベルを段階的に拡張する「プログレッシブキーポイント拡張（Progressive Keypoint Expansion）」を提案する。キーポイントに基づいた改良型トリプレット損失を記述子の損失関数として採用することで、SuperRetinaは入力画像のフルサイズで高い識別能を持つ記述子を生成する。複数の実世界データセットを用いた広範な実験により、SuperRetinaの有効性が裏付けられている。手動ラベルを自動ラベルに置き換えることで、訓練プロセスを完全に手動アノテーションから解放しても、画像登録および本人確認という2つのRIMタスクにおいて、多数の強力なベースラインと比較して優れた性能を発揮する。SuperRetinaはオープンソースとして公開される予定である。