تهدف التعميم النطقي (Domain Generalization) إلى تعزيز مقاومة النموذج تجاه التحول النطقي دون الحاجة إلى الوصول إلى النطاق المستهدف. وبما أن النطاقات المصدرية المتاحة للتدريب محدودة، تركز الطرق الحديثة على إنشاء عينات من النطاقات الجديدة. ومع ذلك، تواجه هذه الطرق صعوبات في مشكلة التحسين عند محاكاة نطاقات متعددة، أو تؤدي إلى تشويه معاني الفئات. ولحل هذه المشكلات، نقترح إطارًا جديدًا للتعميم النطقي يستخدم الإحصائيات المميزة للخصائص المميزة لتحويل السمات الأصلية إلى سمات تمتلك خصائص نمطية جديدة. ولحفظ معلومات الفئة أثناء عملية التصميم النمطي، نقوم أولاً بتفكيك السمات إلى مكونات عالية التردد ومنخفضة التردد. ثم نُصمم المكونات منخفضة التردد باستخدام أنماط النمط النمطي الجديدة المستمدة من الإحصائيات المُعدّلة، مع الحفاظ على مؤشرات الشكل في المكونات عالية التردد. وفي الخطوة الأخيرة، نُدمج المكونين معًا لإنشاء سمات نمطية جديدة للنطاق. ولتعزيز المقاومة النطاقية، نستخدم السمات المُصممة للحفاظ على اتساق النموذج من حيث السمات والنتائج الناتجة. ونحقق اتساق السمات باستخدام خسارة تناقضية مراقبة تراعي النمط (domain-aware supervised contrastive loss)، التي تضمن التماثل النطقي مع زيادة قدرة التمييز بين الفئات. تُظهر النتائج التجريبية فعالية التصميم النمطي للسمات والخسارة التناقضية المُراعية للنمط. وباستخدام المقارنات الكمية، نؤكد تفوق طريقةنا على أحدث الطرق المُتقدمة في معيارين رئيسيين: PACS وOffice-Home.