本文介绍了一种基于邻近算子的图匹配算法 (DPGM)，通过将图匹配问题转化为一系列凸优化问题，实现了从图亲和矩阵到节点对应预测的可微分映射，该方法能够与深度学习框架有机地集成在一起，同时在合理的迭代次数内收敛于稳定点，并在多样数据集和 PASCAL VOC 关键点上取得了良好性能，超过了现有的图匹配算法。

May, 2024

本研究提出一种新的基于功能表征的图匹配方法，能够降低相关算法的时间和空间复杂度，并且具有比现有方法更准确的匹配性能。

Jan, 2019

本文研究的是图匹配问题，提出了一种基于学习的方法，用于解决基于图的模式识别问题。通过训练示例和标签，我们可以学习节点与边之间的兼容性，在解决问题时可以取得更好的效果。实验结果表明，该方法比现有算法更为有效。

Jun, 2008

提出了一种基于图神经网络的、可训练的框架，用于从不同的图像集合中学习可变形的三维几何模型，并在图形匹配中取得更好的性能。

Mar, 2021

提出了一种新的 “图学习 - 匹配” 网络（GLMNet）方法，它将图学习集成到图匹配中，采用 Laplacian sharpening 卷积模块提取节点嵌入特征，并通过设计新的约束正则化损失来优化图匹配，实验结果表明该方法有效，具有一些主要模块的优势。

Nov, 2019

本文提出了一种基于约束的图匹配方法，能够处理任意阶数、任意势函数的约束，在先前依赖于图结构的分解方法的基础上，通过约束匹配的分解，将图匹配重构为非凸非可分的优化问题，通过交替方向乘子法将其分解为多个较小、易于解决的子问题，从而设计了一个模块化可扩展的框架，并对基于两两约束和高阶约束的两个不同实例进行了研究，实验结果表明，所提出的解决方案在广泛采用的合成和真实示例基准测试中优于现有的两两图匹配方法，并且在高阶设置中具有竞争力。

Nov, 2016

通过图神经网络结合数据驱动和传统方法，该研究提出了一种解决图匹配问题的模型，该模型利用了随机抽样策略降低了计算复杂度和 GPU 内存使用，并在几个任务上得到了显著的性能提升。

Mar, 2024

本文介绍了一种应对图匹配问题的新型凸松弛算法，通过闭合迭代的镜像下降方案，实现了在相关高斯维格纳模型下对应的唯一解高概率收敛，进一步确立了输入矩阵的新充要条件，并将其应用于噪声下的地面实况恢复中。

Oct, 2023

本研究考虑权重无向图的精确和非精确匹配问题，通过定义 “friendly graphs” 和发展准确和近似解的确切条件和界限，以及优化找到最优近似同构的能力的凸松弛技术进行解决。

Jan, 2014

本文提出了基于深度强化学习的可撤销动作框架 RGM，在处理 GM 中普遍存在的 outliers 时具有对抗性，并且使用二次逼近技术对相关得分进行规范化，以加强在最一般形式的 GM Lawler's QAP 中使用输入的现有 GM 方法的效果，实验结果表明该方法在精度和鲁棒性方面的表现良好。

Dec, 2020