Bestehende tiefes Lernverfahren für Graphenübereinstimmungsprobleme (Graph Matching, GM) betrachten üblicherweise die Affinitätslernen-Phase, um die kombinatorische Optimierung in einer feedforward-Struktur zu unterstützen, wobei die Parameterlernen durch Rückpropagierung der Gradienten des Übereinstimmungsverlusts erfolgt. Ein solcher Ansatz berücksichtigt kaum das mögliche ergänzende Nutzenpotenzial, das von der Optimierungsschicht für das Lernkomponente ausgehen könnte. In diesem Artikel überwinden wir diese Beschränkung innerhalb eines tiefen bidirektionalen Lernrahmens. Unser Verfahren führt die Ausgabe der GM-Optimierungsschicht rückwärts in die Eingabe zur Affinitätslernen zurück, wodurch eine direkte Rückkopplung entsteht. Diese Rückkopplung verstärkt die Eingabedaten durch eine Technik der Merkmalsvervollkommnung und -fusion, die globale Übereinstimmungsmuster aus der Abweichung der durch die aktuelle Übereinstimmungsschätzung permutierten Ähnlichkeiten nutzt und integriert. Dadurch profitiert die Lernkomponente direkt vom Optimierungsprozess, indem sie sowohl globale Merkmale als auch die durch lokale Propagation über Knotennachbarn berechneten Embeddings nutzt. Zudem induziert die Konsistenz der Rückkopplung eine unsupervisierte Verlustfunktion, die separat oder gemeinsam mit der supervisierten Verlustfunktion zur Regularisierung eingesetzt werden kann. Experimente auf anspruchsvollen Datensätzen belegen die Wirksamkeit unseres Ansatzes sowohl im supervisierten als auch im unsupervisierten Lernsetting.