個人再識別（Person Re-Identification, ReID）の根本的な難しさは、個々のカメラ間での対応関係を学習することにあります。これには高価なカメラ間アノテーションが強く求められますが、訓練されたモデルが未見のカメラにうまく転移するとは限らないため、ReIDの応用範囲が大幅に制限されています。本論文では、従来のReID手法の動作メカニズムを見直し、新しい解決策を提案します。Camera-based Batch Normalization (CBN) と呼ばれる効果的な演算子を使用して、すべてのカメラの画像データを同じ部分空間に配置させることで、任意のカメラペア間の分布ギャップを大幅に縮小します。このアライメントは二つの利点をもたらします。第一に、訓練されたモデルは未見のカメラを持つシナリオや複数の訓練セット間での汎化能力が向上します。第二に、以前はクロスカメラ情報の不足により軽視されていたカメラ内アノテーションを利用して競争力のあるReID性能を達成することができます。多様なReIDタスクにおける実験結果から、当手法の有効性が示されています。コードは https://github.com/automan000/Camera-based-Person-ReID で公開されています。