S'appuyant sur les récents progrès réalisés à l'intersection de l'optimisation combinatoire et du deep learning, nous proposons une architecture entièrement entraînable en bout-à-bout pour le matching de graphes profonds, intégrant des solveurs combinatoires non modifiés. Grâce à l'existence de solveurs combinatoires fortement optimisés, combinée à des améliorations dans la conception de l'architecture, nous améliorons l'état de l'art sur les benchmarks de matching de graphes profonds pour la correspondance de points-clés. En outre, nous mettons en évidence les avantages conceptuels de l'intégration de solveurs dans des architectures de deep learning, tels que la possibilité de post-traiter les résultats à l’aide d’un solveur puissant de matching de multi-graphes, ou l’indifférence aux variations du cadre d’entraînement. Enfin, nous proposons deux nouveaux protocoles expérimentaux exigeants. Le code est disponible à l’adresse suivante : https://github.com/martius-lab/blackbox-deep-graph-matching