Nas últimas décadas, a área de Visão Computacional tem se utilizado do aprendizado de máquina como forma de avançar no estado da arte de diversos problemas. No entanto, os estudos em casos de deformações não rígidas ainda carecem de datasets robustos para seu avanço. Este trabalho apresenta o Nonrigid Image Matching Benchmark, um conjunto de dados sintéticos projetado para superar essas limitações, utilizando um pipeline de simulação fotorealista e fisicamente plausível para gerar deformações temporalmente consistentes. Benchmark inclui uma diversidade de objetos, texturas, iluminações e níveis de deformação. Adicionalmente, são abordados conceitos fundamentais para o entendimento dos problemas relacionados ao tópico de deformação de objetos não rígidos e sobre a correspondência de imagens que é a tarefa foco do dataset. Além da criação do conjunto, foi introduzida uma métrica de registro de superfície baseada no algoritmo ARAP(as-rigid-as-possible) para avaliar métodos de correspondência de maneira geométrica e contínua em 2D e 3D, superando limitações de outros métricas tradicionais. Foi realizada uma avaliação de uma miríade de métodos dentro do conjunto de testes do dataset que constatou a degradação significativa de desempenho em ambientes desafiadores, ressaltando assim, a relevância do conjunto. Este trabalho fornece um recurso valioso e um framework de avaliação para pesquisas futuras na temática.