摘要
自然界中的许多挑战均可建模为图匹配问题。以往基于深度学习的方法主要关注全图匹配（full two-graph matching）场景。本文研究更具一般性的部分匹配（partial matching）问题，并引入多图循环一致性（multi-graph cycle consistency）的保障机制。基于图深度学习领域的最新进展，我们提出一种新颖的数据驱动方法（URL），用于部分多图匹配。该方法采用“对象到宇宙”（object-to-universe）的建模范式，学习抽象宇宙点的潜在表示。在Pascal VOC、CUB和Willow数据集上的实验表明，该方法在语义关键点匹配任务中显著提升了现有技术水平。此外，我们在一个合成图匹配数据集上开展的一系列受控实验进一步验证了该方法在节点数量较大时的可扩展性，以及对高度部分性（high partiality）的鲁棒性。