未知の画像ドメインへの汎化は、主に多様な訓練データの欠如、ターゲットデータへのアクセス不能、および多くの実世界設定で存在する大きなドメインシフトにより、困難な問題となっています。このような理由から、この問題に対処するために用いられるドメイン汎化手法において、データ拡張は重要な要素です。本稿では、単一ソースドメイン汎化という難易度の高い設定で画像拡張を生成する新しいアルゴリズムである対抗的ベイジアン拡張（Adversarial Bayesian Augmentation: ABA）を提案します。ABAは、対抗的学習とベイジアンニューラルネットワークの強みを活かし、多様なデータ拡張の生成をガイドします。これらの合成された画像ドメインは、分類器が未知のドメインへ汎化することを支援します。我々はABAの有効性をスタイルシフト、サブポップュレーションシフト、および医療画像設定におけるドメインシフトなどいくつかのタイプで示しました。ABAは事前に指定された拡張やピクセルベースおよび畳み込みベースの拡張を含むこれまでの最先端手法全てを上回る性能を発揮しました。