Kürzlich haben tiefes Lernen-basierte Methoden vielversprechende Ergebnisse beim Graphen-Matching-Problem erzielt, indem sie die beschreibende Kapazität tiefer Merkmale nutzen, die aus Graphknoten extrahiert werden. Ein zentrales Limitierung bestehender tiefen Graphen-Matching-(DGM)-Methoden liegt jedoch in der Vernachlässigung expliziter Strukturconstraints von Graphen, was dazu führen kann, dass das Modell während des Trainings in lokale Minima gerät. In diesem Paper schlagen wir vor, paarweise Graphstrukturen explizit als quadratisches Constraint zu formulieren, das in den DGM-Framework integriert wird. Das quadratische Constraint minimiert die paarweise strukturelle Diskrepanz zwischen Graphen und reduziert so die Mehrdeutigkeiten, die allein durch die extrahierten CNN-Merkmale verursacht werden können.Darüber hinaus präsentieren wir eine differenzierbare Implementierung der quadratisch eingeschränkten Optimierung, die mit herkömmlichen, constraint-freien Deep-Learning-Optimierern kompatibel ist. Um eine präzisere und angemessenere Supervision zu gewährleisten, wird ein gut gestalteter Fehl-Matching-Verlust vorgeschlagen, der der Klassenungleichgewichtsproblematik Rechnung trägt und insbesondere falsche Negative und falsche Positive effektiver bestraft, wobei gleichzeitig eine geringere Überanpassung auftritt. Umfassende Experimente zeigen, dass unsere Methode eine wettbewerbsfähige Leistung auf realen Datensätzen erzielt.