教師なし人物再識別（re-ID）は、ラベルなしデータから人物検索に適した判別的な表現を学習することを目的としている。近年の手法は仮ラベル（pseudo-labels）を用いることでこのタスクを達成しているが、これらのラベルは本質的にノイズを含んでおり、精度を低下させる要因となる。この問題を克服するため、いくつかの仮ラベル精製手法が提案されてきたが、それらは人物再識別に不可欠な細粒度の局所的文脈を無視している。本論文では、グローバル特徴と部分特徴の補完的関係を活用することで、ラベルノイズを低減する新しい部分ベース仮ラベル精製（Part-based Pseudo Label Refinement; PPLR）フレームワークを提案する。具体的には、特徴空間間のk近傍の類似度として「クロス一致スコア（cross agreement score）」を設計し、信頼性の高い補完的関係を活用する。このクロス一致スコアを基に、部分特徴の予測をアンサンブルすることでグローバル特徴の仮ラベルを精製し、全体としてグローバル特徴のクラスタリングにおけるノイズを軽減する。さらに、各部分に対するラベルの適切さに基づいてラベルスムージングを適用することで、部分特徴の仮ラベルも精製する。クロス一致スコアによって提供される信頼性の高い補完情報により、本PPLRはノイズの多いラベルの影響を効果的に低減し、豊かな局所的文脈を含む判別性の高い表現を学習する。Market-1501およびMSMT17における広範な実験結果から、本手法が最先端の性能を上回ることを示した。コードは以下のURLで公開されている：https://github.com/yoonkicho/PPLR。