安全クリティカルなアプリケーションに人物再識別（ReID）モデルを展開する際、そのモデルが多様な画像の破壊に対してどれほど堅牢であるかを理解することは極めて重要です。しかし、現在の人物ReIDの評価は清潔なデータセットでのみ性能を考慮し、様々な破壊状況にある画像は無視されています。本研究では、破壊不変表現学習のために6つのReIDベンチマークを包括的に構築しました。ReID分野において、私たちは単一モダリティおよびクロスモダリティデータセットにおける破壊不変学習について初めて包括的な研究を行いました。これにはMarket-1501、CUHK03、MSMT17、RegDB、SYSU-MM01が含まれます。21の最近のReID手法を再現し、その堅牢性性能を検討した結果、以下の観察を得ました：1) 変換器（transformer）ベースのモデルはCNNベースのモデルと比較して破壊された画像に対する堅牢性が高い、2) ランダム消去（random erasing）という一般的に使用される増幅方法の確率を上げるとモデルの破壊堅牢性が低下する、3) 破壊堅牢性が向上するとクロスデータセット間での汎化能力も向上します。これらの観察に基づいて、私たちは単一モダリティおよびクロスモダリティReIDデータセットで改善された多様な破壊に対する堅牢性を達成する強力なベースラインを提案しました。私たちのコードは https://github.com/MinghuiChen43/CIL-ReID で公開されています。