El ajuste geométrico robusto es uno de los problemas cruciales y fundamentales en visión por computadora y reconocimiento de patrones. Aunque el muestreo aleatorio y la maximización del consenso han sido estrategias populares para el ajuste robusto, encontrar un equilibrio entre la calidad de la optimización y la eficiencia computacional sigue siendo un obstáculo persistente. En este documento, adoptamos una perspectiva de optimización e introducimos un algoritmo novedoso de ajuste robusto de máximo consenso que incorpora el marco de máxima entropía en el problema de maximización del consenso. Específicamente, incorporamos la distribución de probabilidad de inliers calculada utilizando máxima entropía con restricciones de consenso. Además, introducimos una estrategia mejorada de métodos de multiplicadores de dirección alternativa relajados y acelerados (R-A-ADMMs) adaptada a nuestro marco, facilitando una solución eficiente al problema de optimización. Nuestro algoritmo propuesto demuestra un rendimiento superior en comparación con los métodos de última generación tanto en conjuntos de datos sintéticos como reales contaminados, especialmente al tratar con conjuntos de datos contaminados que contienen una alta proporción de valores atípicos.