Ausgehend von den jüngsten Fortschritten an der Schnittstelle zwischen kombinatorischer Optimierung und tiefem Lernen stellen wir eine end-to-end trainierbare Architektur für tiefes Graphenmatching vor, die unveränderte kombinatorische Löser enthält. Durch die Nutzung hochgradig optimierter kombinatorischer Löser zusammen mit einigen Verbesserungen in der Architekturgestaltung erreichen wir eine Verbesserung der State-of-the-Art-Leistung auf Benchmarks für tiefes Graphenmatching im Kontext von Keypoint-Zuordnungen. Darüber hinaus unterstreichen wir die konzeptionellen Vorteile der Integration von Lösern in tiefe Lernarchitekturen, wie beispielsweise die Möglichkeit der Nachbearbeitung mit einem leistungsstarken Mehrgraphenmatching-Löser oder die Unempfindlichkeit gegenüber Änderungen im Trainingssetting. Schließlich schlagen wir zwei neue anspruchsvolle experimentelle Szenarien vor. Der Quellcode ist unter https://github.com/martius-lab/blackbox-deep-graph-matching verfügbar.