Les méthodes de réidentification de personnes (ReID) entièrement supervisées existantes souffrent généralement d'une faible capacité de généralisation due aux écarts de domaine. La clé pour résoudre ce problème réside dans le filtrage des interférences non liées à l'identité et l'apprentissage de représentations de personnes invariantes au domaine. Dans cet article, nous visons à concevoir un cadre de réidentification de personnes généralisable qui entraîne un modèle sur les domaines sources tout en étant capable de bien généraliser/performer sur les domaines cibles. Pour atteindre cet objectif, nous proposons un module simple mais efficace de Normalisation et Restitution du Style (SNR). Plus précisément, nous filtrons les variations stylistiques (par exemple, l'éclairage, le contraste des couleurs) par la Normalisation par Instance (IN). Cependant, ce processus supprime inévitablement des informations discriminantes. Nous proposons donc d'extraire les caractéristiques pertinentes à l'identité à partir des informations supprimées et de les restituer au réseau pour garantir une haute discrimination. Pour une meilleure dissociation, nous imposons une contrainte de perte causale double dans le module SNR afin d'encourager la séparation des caractéristiques pertinentes à l'identité et des caractéristiques non liées à l'identité. De nombreuses expériences montrent la forte capacité de généralisation de notre cadre. Nos modèles renforcés par les modules SNR surpassent significativement les approches actuelles de généralisation inter-domaine sur plusieurs benchmarks largement utilisés en réidentification de personnes, et montrent également leur supériorité en adaptation inter-domaine non supervisée.