人物再識別（person re-identification, 以下、re-id）は、異なるカメラ間で著しいクラス内変動が存在するため、依然として困難な課題となっています。最近では、生成モデルを用いて訓練データを拡張し、入力変化に対する不変性を向上させることが注目を集めています。しかし、既存の手法における生成パイプラインは、判別的なre-id学習ステージから相対的に独立しています。したがって、生成されたデータ上でre-idモデルはしばしば単純な方法で訓練されます。本論文では、生成されたデータをより効果的に活用することで学習されたre-id埋め込みを改善することを目指します。この目的のために、re-id学習とデータ生成を端から端まで結合する共同学習フレームワークを提案します。我々のモデルには、各人物を外観コードと構造コードに個別にエンコードする生成モジュールと、生成モジュールと共通の外観エンコーダーを持つ判別モジュールが含まれます。外観コードまたは構造コードを入れ替えることで、生成モジュールは高品質なクロスID合成画像を作成でき、これらの画像はオンラインで外観エンコーダーにフィードバックされ、判別モジュールの改善に使用されます。提案された共同学習フレームワークは、生成データを使用しないベースラインに対して大幅な改善をもたらし、いくつかのベンチマークデータセットにおいて最先端の性能を達成しています。