In diesem Artikel untersuchen wir ein neuartiges und weit verbreitetes Problem im Graph-Matching (GM), nämlich die zweistufige verrauschte Korrespondenz (Bi-level Noisy Correspondence, BNC), die sowohl knotenbasierte verrauschte Korrespondenz (Node-level Noisy Correspondence, NNC) als auch kantenbasierte verrauschte Korrespondenz (Edge-level Noisy Correspondence, ENC) umfasst. Kurz gesagt, einerseits führen die schlechte Erkennbarkeit und unterschiedliche Blickwinkel zwischen Bildern unvermeidlich zu ungenauen Annotationen einzelner Merkpunkte mit Verschiebung und Verwirrung, was zu einer Fehlzuordnung zwischen zwei zugehörigen Knoten führt, d. h. zu NNC. Andererseits beeinträchtigt die verrauschte Knoten-zu-Knoten-Korrespondenz die Kanten-zu-Kanten-Korrespondenz weiterhin, was letztlich zu ENC führt. Um die Herausforderung der BNC zu bewältigen, schlagen wir eine neue Methode vor, die als Contrastive Matching with Momentum Distillation (CMM-D) bezeichnet wird. Konkret basiert die vorgeschlagene Methode auf einer robusten quadratischen Kontrastverlustfunktion, die folgende Vorteile bietet: i) eine verbesserte Erforschung der Knoten-zu-Knoten- und Kanten-zu-Kanten-Beziehungen durch einen auf GM zugeschnittenen quadratischen Kontrastlernparadigma; ii) eine adaptivere Straffung verrauschter Zuordnungen auf Basis der durch den Momentum-Teacher geschätzten Zuverlässigkeit. Umfangreiche Experimente an drei realen Datensätzen zeigen die Robustheit unseres Modells im Vergleich zu 12 konkurrenzfähigen Baselines. Der Quellcode ist unter https://github.com/XLearning-SCU/2023-ICCV-COMMON verfügbar.