摘要
近年来，基于深度学习的图匹配方法在图匹配问题上取得了令人瞩目的进展，其核心在于利用图节点上提取的深度特征所具备的强描述能力。然而，现有深度图匹配（Deep Graph Matching, DGM）方法的一个主要局限在于忽略了图结构的显式约束，这可能导致模型在训练过程中陷入局部最优。针对这一问题，本文提出将成对图结构显式建模为一种二次约束，并将其嵌入到DGM框架中。该二次约束旨在最小化两图之间的成对结构差异，从而有效缓解仅依赖提取的CNN特征所带来的歧义性。此外，本文提出了一种可微分的二次约束优化实现方式，使其能够与无约束的深度学习优化器兼容，保证了端到端训练的可行性。为实现更精确且合理的监督，我们设计了一种针对类别不平衡问题的伪匹配损失函数，该损失函数能够更有效地惩罚假阴性和假阳性样本，同时降低过拟合风险。大量实验结果表明，所提方法在多个真实世界数据集上均取得了具有竞争力的性能表现。