La réidentification de personnes (ReID) vise à extraire des caractéristiques représentatives précises de l’identité. Toutefois, lors de l’extraction des caractéristiques, les échantillons individuels sont inévitablement affectés par du bruit (arrière-plan, occlusions, limitations du modèle). Étant donné que, après entraînement, les caractéristiques provenant de la même identité suivent une distribution normale autour de centres d’identité, nous proposons un cadre de réidentification sans entraînement basé sur la centralisation des caractéristiques (Pose2ID), en regroupant les caractéristiques de la même identité afin de réduire le bruit individuel et d’améliorer la stabilité de la représentation d’identité, tout en préservant la distribution initiale des caractéristiques pour des stratégies ultérieures telles que le re-rangement. Plus précisément, pour obtenir des échantillons de la même identité, nous introduisons deux composants : la génération de piétons guidée par l’identité : en exploitant les caractéristiques d’identité pour guider le processus de génération, nous obtenons des images de haute qualité présentant des poses diversifiées, assurant ainsi une cohérence d’identité même dans des scénarios complexes tels que les images infrarouges ou en présence d’occlusions. La centralisation des caractéristiques voisines : elle explore, pour chaque échantillon, des échantillons positifs potentiels dans son voisinage. Les expérimentations démontrent que notre modèle génératif présente une forte capacité de généralisation et maintient une haute cohérence d’identité. Grâce au cadre de centralisation des caractéristiques, nous obtenons des performances remarquables même avec un modèle pré-entraîné sur ImageNet sans entraînement spécifique ReID, atteignant un mAP/Rank-1 de 52,81/78,92 sur Market1501. De plus, notre méthode établit de nouveaux états de l’art sur les tâches standard, multi-modales et occluées de réidentification, démontrant une forte adaptabilité.