领域泛化重识别（Domain-Generalizable Re-Identification, DG Re-ID）旨在基于一个或多个源域训练模型，并在未见的目标域上评估其性能，由于其高度的实用价值，该任务近年来受到广泛关注。尽管已有大量方法被提出，但多数方法依赖于判别式或对比学习框架来学习具有泛化能力的特征表示。然而，这些方法往往难以有效缓解“捷径学习”（shortcut learning）问题，导致性能受限。为此，本文提出一种新颖的方法——基于相关性感知条件机制的扩散模型辅助表示学习（Diffusion Model-Assisted Representation Learning with Correlation-Aware Conditioning, DCAC），以提升DG Re-ID的性能。本方法通过一种相关性感知的条件机制，将判别式与对比式Re-ID模型与预训练的扩散模型进行深度融合。具体而言，该条件机制将Re-ID模型输出的类别分类概率与一组可学习的ID相关提示（ID-wise prompts）相结合，从而注入蕴含ID间关联关系的“暗知识”（dark knowledge），用于引导扩散过程。与此同时，扩散模型生成的反馈信息通过条件机制反向传播至Re-ID模型，有效增强了Re-ID特征的泛化能力。在单源与多源DG Re-ID任务上的大量实验表明，所提方法在多个基准数据集上均达到了当前最优（state-of-the-art）性能。全面的消融实验进一步验证了该方法的有效性，并深入揭示了其在不同场景下的鲁棒性。相关代码将公开于：https://github.com/RikoLi/DCAC。