隔着一辆停着的车，只露出半个人。你怎么知道他被挡住了？这篇的答案是别再训练一个遮挡检测器，回头看看摄像头本来就在算的两个数。
一个数是表观高度，检测框照样罩着整个人，被挡住也不怎么变。另一个是单目度量深度，深度图报的是框里最近那层表面，人前面立了辆车，读数就被拉过去。两个一比，大小关系反了，遮挡就在那儿。妙处是只要排序，焦距不用，身高不用，深度尺度也一概不用。前提是深度模型的误差接近纯增益，而这个条件不用标注就能查。
数字也硬。KITTI 上判重度遮挡 AUC 0.909，把所有标注行人连检测器漏掉的算进来是 0.888；固定距离区间内仍有 0.894 到 0.925，单拿真实距离去判接近随机，说明它并不是在偷偷量远近。CARLA 合成场景 0.819，距离单独只有 0.644。
作者走到这一步的缘由挺实在，深度融合是一套，遮挡模拟增强是另一套，再加上注意力，三套标准架构在他们测的配置里都没能让检测跨出训练分布；德国道路训出来的检测器搬到拉各斯自标街景，精度掉一半。基准没覆盖的地方，恰恰最缺本地标注，免费的信号反而最值钱。
这就像两根都不太准的尺子，单看谁都别信，摆一起比长短倒能读出东西。下一根钉子是那个纯增益前提，换一台深度模型还成立吗？