领域泛化（Domain Generalization, DG）旨在仅利用有限的源域数据，训练出一个能够泛化至未见目标域的通用模型。以往的DG方法由于训练域与测试域之间存在显著的域差异，难以仅从源域中学习到域不变的表示。为此，本文提出一种新的DG目标重构方法，引入了基于“理想模型”（oracle model）的互信息约束，其中理想模型是指能够泛化至任意可能域的模型。通过使用预训练模型近似该理想模型，我们推导出一个可计算的变分下界，从而提出一种名为互信息正则化与理想模型（Mutual Information Regularization with Oracle, MIRO）的新方法。大量实验结果表明，MIRO显著提升了模型在分布外数据上的性能表现。此外，缩放实验进一步验证了：预训练模型规模越大，MIRO所带来的性能提升越显著。相关源代码已开源，地址为：https://github.com/kakaobrain/miro。