الطرق الحالية للتعريف بإعادة التعرف على الأشخاص (ReID) التي تعتمد على الإشراف الكامل عادةً ما تعاني من قدرة تعميم ضعيفة ناجمة عن فجوات المجال. المفتاح لحل هذه المشكلة يكمن في تصفية التداخلات غير ذات الصلة بالهوية وتعلم تمثيلات أشخاص ثابتة عبر المجالات. في هذا البحث، نهدف إلى تصميم إطار عام للتعريف بإعادة التعرف على الأشخاص يمكنه تدريب النموذج على مجالات المصدر ولكنه قادر على التعميم/الأداء الجيد على مجالات الهدف. لتحقيق هذا الهدف، نقترح وحدة تطبيع وإعادة إنشاء الأسلوب (Style Normalization and Restitution - SNR) بسيطة ولكنها فعالة. تحديداً، نقوم بتصفية التباينات الأسلوبية (مثل الإضاءة، تباين الألوان) باستخدام التطبيع المستقبلي (Instance Normalization - IN). ومع ذلك، فإن مثل هذه العملية لا مفر منها من إزالة المعلومات المميزة. نقترح استخلاص الخصائص ذات الصلة بالهوية من المعلومات المحذوفة وإعادتها إلى الشبكة لضمان تمييز عالي. لتحقيق فصل أفضل، نفرض قيد خسارة سببية مزدوجة في وحدة SNR لتشجيع الفصل بين الخصائص ذات الصلة بالهوية والخصائص غير ذات الصلة بالهوية. تظهر التجارب الواسعة قدرة التعميم القوية لإطارنا. النماذج الخاصة بنا التي تم تمكينها بوحدات SNR تتخطى بشكل كبير أفضل الأساليب الحالية للتعميم عبر المجالات في العديد من مقاييس إعادة التعرف على الأشخاص المستخدمة بشكل واسع، كما أنها تظهر تفوقاً في التكيف عبر المجالات بدون إشراف.