领域泛化旨在训练机器学习模型，在不同且未见过的领域上均能保持稳健的性能。近年来的多种方法通过使用多个数据集来训练模型，以提取领域无关的特征，从而期望实现对未知领域的泛化。与此不同，我们首先通过引入特定设计的批归一化层，显式地学习领域相关的表征，以分别收集各领域独立的统计信息。随后，我们提出利用这些统计信息将各个领域映射到一个共享的潜在空间中，在该空间中，领域归属可通过距离函数进行度量。在测试阶段，我们将来自未知领域的样本投影至同一潜在空间，并将其领域属性建模为已知领域属性的线性组合。我们在训练和测试阶段均采用相同的映射策略，从而同时学习一个潜在表征以及一个强大但轻量的集成模型。在主流领域泛化基准数据集PACS、Office-31和Office-Caltech上，我们的方法显著提升了分类准确率，优于当前最先进的技术。