Trotz Fortschritten bei der Merkmalsrepräsentation ist die Nutzung geometrischer Beziehungen entscheidend für die Herstellung zuverlässiger visueller Korrespondenzen bei großen Variationen von Bildern. In dieser Arbeit führen wir eine Perspektive des Hough-Transforms auf Faltungs-Matching ein und schlagen einen effektiven geometrischen Matching-Algorithmus vor, den wir als Convolutional Hough Matching (CHM) bezeichnen. Die Methode verteilt die Ähnlichkeiten potentieller Matches über einen Raum geometrischer Transformationen und bewertet sie faltungsweise. Wir integrieren sie in eine trainierbare neuronale Schicht mit einem halb-isotropen hochdimensionalen Kern, der nicht-starres Matching mit einer geringen Anzahl interpretierbarer Parameter lernt. Um die Wirkung zu überprüfen, entwickeln wir ein neuronales Netzwerk mit CHM-Schichten, das faltungsweises Matching im Bereich von Translation und Skalierung durchführt. Unsere Methode setzt einen neuen Standard auf etablierten Benchmarks für semantisches visuelles Matching, was ihre hohe Robustheit gegenüber herausfordernden innerklassischen Variationen beweist.