Bei der Implementierung von Personen-Wiedererkennungsmodellen (Person ReID) in sicherheitskritischen Anwendungen ist es entscheidend, das Robustheitsverhalten des Modells gegenüber einer Vielzahl von Bildverfälschungen zu verstehen. Derzeit berücksichtigen jedoch die Bewertungen von Person-ReID-Modellen nur die Leistung auf sauberen Datensätzen und ignorieren Bilder in verschiedenen verfälschten Szenarien. In dieser Arbeit legen wir sechs umfassende Benchmarks für das Lernen von korruptionsinvarianten Darstellungen im Bereich der Person-ReID fest. Wir sind die Ersten, die eine gründliche Studie über korruptionsinvariantes Lernen in mono- und multimodalen Datensätzen durchführen, darunter Market-1501, CUHK03, MSMT17, RegDB und SYSU-MM01. Nachdem wir die Robustheit 21 neuerer Person-ReID-Methoden reproduziert und untersucht haben, können wir folgende Beobachtungen machen: 1) Transformer-basierte Modelle sind robuster gegenüber verfälschten Bildern als CNN-basierte Modelle, 2) die Erhöhung der Wahrscheinlichkeit des zufälligen Auslöschens (einer häufig verwendeten Augmentationsmethode) verringert die Korruptionsrobustheit des Modells, 3) die Generalisierung über verschiedene Datensätze verbessert sich mit zunehmender Korruptionsrobustheit. Durch die Analyse dieser Beobachtungen schlagen wir eine starke Baseline sowohl für mono- als auch für multimodale Person-ReID-Datensätze vor, die eine verbesserte Robustheit gegenüber diversen Verfälschungen erreicht. Unsere Codes sind unter https://github.com/MinghuiChen43/CIL-ReID verfügbar.