Malgré les progrès réalisés dans la représentation des caractéristiques, l'exploitation des relations géométriques reste cruciale pour établir des correspondances visuelles fiables en présence de grandes variations d'images. Dans ce travail, nous introduisons une perspective basée sur la transformée de Hough pour le couplage convolutif et proposons un algorithme de correspondance géométrique efficace, appelé Convolutional Hough Matching (CHM). Cette méthode répartit les similarités des correspondances candidates dans un espace de transformation géométrique et les évalue de manière convolutive. Nous l'intégrons dans une couche neuronale entraînable dotée d'un noyau à haute dimension semi-isotrope, qui apprend le couplage non rigide avec un nombre restreint de paramètres interprétables. Pour valider son efficacité, nous développons un réseau neuronal utilisant des couches CHM qui effectuent le couplage convolutif dans l'espace de translation et d'échelle. Notre méthode établit un nouveau niveau d'excellence sur les benchmarks standardisés pour la correspondance visuelle sémantique, démontrant sa robustesse exceptionnelle face aux variations intra-classes difficiles.