Domain-übergreifend verallgemeinerbare Re-Identifikation (DG Re-ID) zielt darauf ab, ein Modell auf einem oder mehreren Quellbereichen zu trainieren und dessen Leistungsfähigkeit auf bisher nicht gesehenen Zielbereichen zu bewerten – eine Aufgabe, die aufgrund ihrer praktischen Relevanz zunehmend Aufmerksamkeit erlangt. Obwohl zahlreiche Ansätze vorgeschlagen wurden, basieren die meisten auf diskriminativen oder kontrastiven Lernframeworks zur Erkennung generalisierbarer Merkmalsdarstellungen. Diese Ansätze leiden jedoch häufig unter Kurzschlusslernen (shortcut learning), was zu suboptimalen Ergebnissen führt. In dieser Arbeit stellen wir einen neuen Ansatz namens Diffusionsmodell-unterstützte Merkmalslernung mit einer korrelationsbewussten Bedingungsstrategie (DCAC) vor, um DG Re-ID zu verbessern. Unser Ansatz integriert ein diskriminatives und kontrastives Re-ID-Modell mit einem vortrainierten Diffusionsmodell über eine korrelationsbewusste Bedingungsstrategie. Durch die Kombination der von dem Re-ID-Modell generierten Identifikationsklassifikationswahrscheinlichkeiten mit einer Menge lernbarer, ID-spezifischer Prompt-Elemente wird „dunkles Wissen“ eingeführt, das ID-Beziehungen erfasst und den Diffusionsprozess leitet. Gleichzeitig wird Rückmeldung aus dem Diffusionsmodell über die Bedingungsstrategie zurück in das Re-ID-Modell propagiert, wodurch die Generalisierungsfähigkeit der Re-ID-Merkmale effektiv gesteigert wird. Umfangreiche Experimente sowohl auf Einzelquell- als auch Mehrquell-DG Re-ID-Aufgaben zeigen, dass unser Ansatz eine state-of-the-art-Leistung erzielt. Ausführliche Ablationsstudien bestätigen zudem die Wirksamkeit des vorgeschlagenen Ansatzes und liefern Einblicke in dessen Robustheit. Der Quellcode wird unter https://github.com/RikoLi/DCAC verfügbar sein.