Les méthodes existantes d’apprentissage profond pour les problèmes d’appariement de graphes (GM) considèrent généralement l’apprentissage d’affinités afin d’assister l’optimisation combinatoire dans une chaîne de traitement en aval, où l’apprentissage des paramètres s’effectue par propagation arrière des gradients de la perte d’appariement. Une telle approche accorde peu d’attention aux bénéfices complémentaires potentiels que l’étape d’optimisation pourrait apporter au composant d’apprentissage. Dans cet article, nous surmontons cette limitation dans le cadre d’un modèle d’apprentissage bidirectionnel profond. Notre méthode permet de faire circuler la sortie de la couche d’optimisation d’appariement de graphes afin de la fusionner avec l’entrée pour l’apprentissage d’affinités. Ce retour direct renforce l’entrée par une technique d’enrichissement et de fusion de caractéristiques, qui exploite et intègre les motifs d’appariement globaux à partir de l’écart de similarité induit par la permutation actuelle fournie par l’estimation d’appariement. En conséquence, cette boucle de rétroaction permet au composant d’apprentissage de tirer parti du processus d’optimisation, en profitant à la fois des caractéristiques globales et des résultats d’encodage calculés par propagation locale via les voisins des nœuds. En outre, la cohérence de la boucle induit une perte non supervisée pouvant être appliquée de manière indépendante ou conjointe afin de régulariser la perte supervisée. Des expériences sur des jeux de données exigeants démontrent l’efficacité de notre méthode tant pour l’apprentissage supervisé que pour l’apprentissage non supervisé.