数据关联是许多计算机视觉任务的核心，例如多目标跟踪、图像匹配和点云配准。然而，当前的数据关联解决方案存在一些缺陷：它们大多忽略了内部视图上下文信息；此外，它们要么以端到端方式训练深度关联模型并且很少利用基于优化的分配方法的优势，要么仅使用现成的神经网络提取特征。在本文中，我们提出了一种通用可学习的图匹配方法来解决这些问题。特别地，我们将内部视图之间的关系建模为一个无向图。然后数据关联就变成了两个图之间的通用图匹配问题。此外，为了使优化过程端到端可微分，我们将原始图匹配问题松弛为连续二次规划，并将训练纳入具有KKT条件和隐函数定理的深度图神经网络中。在MOT任务中，我们的方法在几个MOT数据集上实现了最先进性能。对于图像匹配，在流行室内数据集ScanNet上我们超越了最先进方法。对于点云配准也取得了竞争性结果。代码提供在https://github.com/jiaweihe1996/GMTracker。
