ドメイン一般化（Domain Generalization）は、ターゲットドメインにアクセスせずにモデルのドメインシフトに対するロバスト性を向上させることを目的としています。しかし、学習に利用可能なソースドメインは限られているため、近年のアプローチでは新たなドメインのサンプルを生成する方向に注目が集まっています。しかしながら、これらの手法は豊富なドメインを合成する際の最適化問題に直面するか、あるいはクラスの意味構造に歪みを生じさせるという課題を抱えています。こうした問題を解決するため、本研究では、特徴量の統計情報を用いて、元の特徴量を新たなドメイン特性を持つものにスタイル化する新しいドメイン一般化フレームワークを提案します。クラス情報の保持を実現するため、まず特徴量を高周波成分と低周波成分に分解します。その後、低周波成分に対しては、操作された統計からサンプリングした新たなドメインのスタイルを適用してスタイル化を行い、高周波成分には形状の手がかりを保持したまま処理します。最後に、両成分を再統合することで、新たなドメイン特徴量を合成します。ドメインのロバスト性を強化するために、スタイル化された特徴量を活用し、特徴量および出力の両面でモデルの一貫性を維持します。特徴量の一貫性は、提案するドメインに敏感な教師付き対照学習損失（domain-aware supervised contrastive loss）により実現され、ドメイン不変性を確保しつつクラスの識別性を高めます。実験結果により、提案する特徴量スタイル化手法およびドメインに敏感な対照学習損失の有効性が確認されました。定量的な比較を通じて、PACSおよびOffice-Homeの2つのベンチマークにおいて、既存の最先端手法を上回る性能を達成することが実証されました。