解决换衣人物再识别（re-id）的关键在于提取与衣物无关的特征，例如面部、发型、体型和步态。目前大多数研究主要集中在从多模态信息（如轮廓和素描）中建模体型，但未能充分利用原始RGB图像中的与衣物无关的信息。本文提出了一种基于衣物的对抗损失（Clothes-based Adversarial Loss, CAL），通过惩罚re-id模型对衣物的预测能力来从原始RGB图像中挖掘与衣物无关的特征。大量实验表明，仅使用RGB图像，CAL在广泛使用的换衣人物再识别基准上超越了所有现有方法。此外，与静态图像相比，视频包含更丰富的外观信息和额外的时间信息，可以用于建模适当的时空模式以辅助换衣再识别。由于目前没有公开可用的换衣视频再识别数据集，我们贡献了一个新的数据集，命名为CCVID，并展示了在建模时空信息方面存在很大的改进空间。代码和新数据集可在以下链接获取：https://github.com/guxinqian/Simple-CCReID。