Dans cet article, nous étudions un problème nouveau et largement répandu dans le cadre du correspondance entre graphes (GM), nommé Correspondance Bruitée à Deux Niveaux (BNC), qui englobe à la fois la Correspondance Bruitée au Niveau des Noeuds (NNC) et la Correspondance Bruitée au Niveau des Arêtes (ENC). En résumé, d'une part, en raison de la faible discriminabilité des points clés et des différences de point de vue entre les images, il est inévitable d’annoter certains points avec un décalage ou une confusion, entraînant ainsi une mauvaise correspondance entre deux noeuds associés, c’est-à-dire la NNC. D’autre part, cette correspondance bruitée entre noeuds se propage et contamine à son tour la correspondance entre arêtes, conduisant ainsi à l’ENC. Face au défi posé par le BNC, nous proposons une nouvelle méthode baptisée Correspondance Contrastive avec Distillation par Momentum. Plus précisément, la méthode proposée repose sur une perte contrastive quadratique robuste, offrant les avantages suivants : i) une exploration améliorée des corrélations entre noeuds et entre arêtes grâce à un paradigme d’apprentissage contrastif quadratique spécifiquement conçu pour le GM ; ii) une pénalisation adaptative des affectations bruyantes basée sur la confiance estimée par un enseignant à momentum. Des expériences étendues sur trois jeux de données réels démontrent la robustesse de notre modèle par rapport à 12 méthodes de référence compétitives. Le code source est disponible à l’adresse suivante : https://github.com/XLearning-SCU/2023-ICCV-COMMON.