La généralisation de domaine vise à améliorer la robustesse du modèle face au décalage de domaine sans accès au domaine cible. Étant donné que les domaines sources disponibles pour l'entraînement sont limités, les approches récentes se concentrent sur la génération d’échantillons de nouveaux domaines. Toutefois, celles-ci peinent soit à résoudre le problème d’optimisation lors de la synthèse de nombreux domaines, soit à préserver fidèlement les sémantiques des classes. Afin de surmonter ces défis, nous proposons un nouveau cadre de généralisation de domaine fondé sur l’utilisation des statistiques de caractéristiques pour styliser les caractéristiques originales afin d’obtenir celles possédant des propriétés de nouveaux domaines. Pour préserver l’information de classe pendant la stylisation, nous décomposons d’abord les caractéristiques en composantes à haute et basse fréquence. Ensuite, nous stylisons les composantes à basse fréquence en leur appliquant des styles de nouveaux domaines extraits à partir de statistiques manipulées, tout en préservant les indices de forme présents dans les composantes à haute fréquence. Enfin, nous recomposons ces deux composantes afin de synthétiser des caractéristiques de nouveaux domaines. Pour renforcer la robustesse vis-à-vis des domaines, nous utilisons les caractéristiques stylisées afin de maintenir la cohérence du modèle tant au niveau des caractéristiques que des sorties. Nous assurons la cohérence des caractéristiques grâce à une nouvelle perte contrastive supervisée sensible au domaine, qui garantit l’invariance au domaine tout en améliorant la discriminabilité des classes. Les résultats expérimentaux démontrent l’efficacité de la stylisation des caractéristiques proposée ainsi que de la perte contrastive sensible au domaine. À l’aide de comparaisons quantitatives, nous confirmons l’avantage de notre méthode par rapport aux méthodes d’état de l’art sur deux benchmarks, PACS et Office-Home.