La réidentification de personnes (re-id) fait face à deux défis majeurs : le manque de données d'entraînement appariées entre différentes vues et l'apprentissage de caractéristiques discriminantes sensibles à l'identité et invariantes à la vue en présence de grandes variations de posture. Dans ce travail, nous abordons ces deux problèmes en proposant un nouveau modèle profond de génération d'images de personnes pour synthétiser des images de personnes réalistes conditionnellement à la posture. Ce modèle est basé sur un réseau génératif antagoniste (GAN) conçu spécifiquement pour la normalisation de la posture dans la réidentification, d'où son nom de GAN de normalisation de la posture (PN-GAN). Grâce aux images synthétisées, nous pouvons apprendre un nouveau type de caractéristique profonde pour la réidentification, dépourvu de l'influence des variations de posture. Nous montrons que cette caractéristique est puissante par elle-même et complémentaire aux caractéristiques apprises avec les images originales. De manière importante, dans le cadre du transfert d'apprentissage, nous démontrons que notre modèle se généralise bien à tout nouvel ensemble de données pour la réidentification sans nécessiter la collecte de données d'entraînement supplémentaires pour l'affinage du modèle. Ainsi, ce modèle a le potentiel de rendre les modèles de réidentification véritablement évolutifs.