局部特征框架在端到端学习中存在困难，主要是由于稀疏关键点的选择和匹配过程中固有的离散性。我们提出了一种名为DISK（离散关键点）的新方法，该方法通过利用强化学习（Reinforcement Learning, RL）的原则，优化了端到端学习过程以实现高数量的正确特征匹配。我们的简单而富有表现力的概率模型使我们能够在保持训练和推理机制接近的同时，具备良好的收敛特性，从而可靠地从零开始训练。我们的特征可以非常密集地提取，同时仍具有辨别能力，这挑战了关于什么是良好关键点的普遍假设，如图1所示，并在三个公开基准测试中取得了最先进的结果。