ドメイン一般化（Domain Generalization: DG）は、複数のソース（すなわち、訓練）ドメインで学習されたモデルを、分布的に異なるターゲット（すなわち、テスト）ドメインに一般化することを目指しています。従来のDGが厳密に複数のソースドメインの利用を必要とするのに対し、本論文ではより現実的でありながら困難なシナリオである単一ドメイン一般化（Single Domain Generalization: Single-DG）を取り扱います。このシナリオでは、訓練に利用できるソースドメインが一つだけであるため、限られた多様性が未知のターゲットドメインでのモデル一般化を危うくする可能性があります。この問題に対処するために、私たちはスタイル補完モジュールを提案します。このモジュールは、ソースデータと相補的な多様な分布から画像を合成することで、モデルの一般化能力を向上させます。具体的には、生成されたサンプルとソースサンプル間の相互情報量（Mutual Information: MI）の計算可能な上限値を採用し、以下の二段階最適化を反復的に実行します：(1) 各サンプルペアに対するMI上限値の近似値を最小化することで、生成された画像がソースサンプルから多様になるように強制します；(2) その後、同じ意味カテゴリからのサンプル間のMIを最大化します。これによりネットワークは多様なスタイルを持つ画像から識別的な特徴を学習することができます。三つのベンチマークデータセットにおける広範な実験結果は、私たちの手法の優位性を示しており、最新の単一DG手法に対して最大25.14%上回る性能となっています。