Personen-Wiedererkennung (Re-ID) steht vor zwei Hauptausforderungen: dem Mangel an gekoppelten Trainingsdaten aus verschiedenen Ansichten und der Lernung diskriminativer, identitätsempfindlicher und ansichtsinvarianter Merkmale bei großen Pose-Variationen. In dieser Arbeit adressieren wir beide Probleme durch den Vorschlag eines neuen tiefen Person-Bild-Generierungsmodells zur Erstellung realistischer Personbilder unter Berücksichtigung der Pose. Das Modell basiert auf einem generativen adversären Netzwerk (GAN), das speziell für die Pose-Normalisierung in Re-ID entwickelt wurde und daher als Pose-Normalisierungs-GAN (PN-GAN) bezeichnet wird. Mit den synthetisierten Bildern können wir ein neues Typ von tiefen Re-ID-Merkmalen lernen, die frei von der Einflussnahme durch Pose-Variationen sind. Wir zeigen, dass dieses Merkmal selbstständig stark ist und ergänzend zu den mit den ursprünglichen Bildern gelernten Merkmalen wirkt. Wichtig ist, dass im Kontext des Transfer-Learnings unser Modell sich gut auf neue Re-ID-Datensätze überträgt, ohne dass zusätzliche Trainingsdaten für die Feinabstimmung des Modells erforderlich wären. Unser Modell hat somit das Potenzial, die Skalierbarkeit von Re-ID-Modellen wirklich zu verbessern.