Die Verallgemeinerung auf unbekannte Bildbereiche ist ein herausforderndes Problem, hauptsächlich aufgrund des Mangels an vielfältigen Trainingsdaten, dem Nichtzugriff auf Zielbereichsdaten und der großen Domänenverschiebung, die in vielen realen Anwendungsfällen bestehen kann. Daher ist Datenverstärkung (Data Augmentation) eine entscheidende Komponente von Methoden zur Domänenverallgemeinerung, die dieses Problem angehen. Wir stellen Adversariale Bayes'sche Verstärkung (Adversarial Bayesian Augmentation, ABA) vor, einen neuen Algorithmus, der lernen kann, Bildverstärkungen im anspruchsvollen Szenario der Einzelquelle-Domänenverallgemeinerung zu generieren. ABA nutzt die Stärken des adversariellen Lernens und bayesscher Neuronaler Netze, um die Erstellung vielfältiger Datenverstärkungen zu leiten – diese synthetisierten Bildbereiche unterstützen den Klassifikator bei der Verallgemeinerung auf unbekannte Bereiche. Wir zeigen die Leistungsfähigkeit von ABA an verschiedenen Arten von Domänenverschiebungen wie Stilveränderungen, Subpopulationsverschiebungen und Verschiebungen im medizinischen Bildgebungsbereich. ABA übertrifft alle bisherigen Stand-der-Technik-Methoden, einschließlich vorgegebener Verstärkungen sowie pixelbasierter und konvolutioneller Verstärkungen.