La généralisation à des domaines d'images inconnus est un problème difficile principalement en raison du manque de données d'entraînement diversifiées, de l'inaccessibilité des données cibles et du grand écart de domaine qui peut exister dans de nombreux contextes réels. Par conséquent, l'augmentation de données est un élément crucial des méthodes de généralisation de domaine visant à résoudre ce problème. Nous présentons l'Augmentation Bayésienne Adversaire (ABA), un nouvel algorithme qui apprend à générer des augmentations d'images dans le cadre difficile de la généralisation de domaine mono-source. L'ABA s'appuie sur les forces de l'apprentissage adversarial et des réseaux neuronaux bayésiens pour guider la génération d'augmentations de données variées -- ces domaines d'images synthétisés aident le classifieur à se généraliser aux domaines inconnus. Nous démontrons la puissance de l'ABA sur plusieurs types d'écart de domaine, y compris les écarts stylistiques, les écarts sous-populationnels et les écarts dans le cadre de l'imagerie médicale. L'ABA surpasse toutes les méthodes précédentes de pointe, y compris les augmentations préspécifiées, basées sur les pixels et basées sur les convolutions.