Cet article étudie le problème de l'appariement et du regroupement conjoints de plusieurs graphes appartenant à des groupes distincts, un cadre qui apparaît naturellement dans de nombreux problèmes réels. À la fois l'appariement de graphes et le regroupement sont des problèmes difficiles (NP-durs), et une solution conjointe est particulièrement attrayante en raison de la connexion naturelle entre ces deux tâches. Dans cet article, nous proposons une procédure d'affectation progressive pour réaliser un appariement et un regroupement souples au fil des itérations, où la contrainte bidirectionnelle et la confiance en regroupement sont régulées respectivement par deux paramètres d'annealing distincts. Notre méthode peut être étendue à un apprentissage end-to-end, dont la fonction de perte correspond à l'entropie croisée entre deux chaînes de traitement d'appariement, permettant ainsi d'apprendre les réseaux de neurones convolutionnels pour l'extraction des caractéristiques de points clés sans supervision étiquetée. Les résultats expérimentaux sur des benchmarks réels montrent que notre approche surpasser les algorithmes sans apprentissage, tout en rivalisant efficacement avec les méthodes supervisées basées sur deux graphes.