共显著性检测（Co-SOD）旨在分割一组相关图像中的共同显著前景。在本文中，受人类行为的启发，我们提出了一种梯度诱导的共显著性检测（GICD）方法。首先，我们在嵌入空间中为分组图像抽象出一个共识表示；然后，通过将单个图像与共识表示进行比较，我们利用反馈梯度信息来引导更多关注于区分性的共显著特征。此外，由于缺乏Co-SOD训练数据，我们设计了一种拼图训练策略，使得Co-SOD网络可以在一般显著性数据集上进行训练而无需额外的像素级注释。为了评估Co-SOD方法在多个前景中发现共显著对象的能力，我们构建了一个具有挑战性的CoCA数据集，其中每张图像至少包含一个与共显著对象并存的外来前景。实验结果表明，我们的GICD方法达到了最先进的性能。我们的代码和数据集可在 https://mmcheng.net/gicd/ 获取。