Bestehende vollständig überwachte Person-Wiedererkennungs-Methoden (ReID) leiden in der Regel an einer schlechten Generalisierungsfähigkeit, die durch Domänenlücken verursacht wird. Der Schlüssel zur Lösung dieses Problems besteht darin, identitätsunabhängige Störungen zu filtern und domäneninvariante Personenrepräsentationen zu lernen. In dieser Arbeit zielen wir darauf ab, einen generalisierbaren Person-ReID-Rahmen zu entwerfen, der ein Modell auf Quelldomänen trainiert, aber auch in der Lage ist, sich auf Zieldomänen gut zu generalisieren/zu bewähren. Um dieses Ziel zu erreichen, schlagen wir ein einfaches, aber effektives Modul für Stilnormalisierung und -restitution (SNR) vor. Insbesondere filtern wir stilistische Variationen (z.B. Beleuchtung, Farbkontrast) durch Instanznormalisierung (IN). Dieser Prozess entfernt jedoch unvermeidlich diskriminierende Informationen. Wir schlagen vor, identitätsrelevante Merkmale aus den entfernten Informationen zu destillieren und sie dem Netzwerk wieder zuzuführen, um eine hohe Diskriminierbarkeit sicherzustellen. Für eine bessere Entkopplung setzen wir in SNR eine doppelte kausale Verlustfunktionseinschränkung durch, um die Trennung von identitätsrelevanten und identitätsunabhängigen Merkmalen zu fördern. Ausführliche Experimente belegen die starke Generalisierungsfähigkeit unseres Rahmens. Unsere mit SNR-Modulen versehenen Modelle übertreffen erheblich die bislang besten Ansätze zur Domänen-Generalisierung bei mehreren weit verbreiteten Person-ReID-Benchmarks und zeigen auch Vorteile bei der unüberwachten Domänenanpassung.