En el muestreo comprimido (CS), se busca reducir la muestra de algunas señales de alta dimensión y recuperarlas con precisión explotando la dispersión de las señales. Sin embargo, la suposición de dispersión tradicional no puede satisfacerse directamente en la mayoría de las aplicaciones prácticas. Afortunadamente, muchas señales de interés al menos presentan una representación de baja complejidad con respecto a cierta transformación. En particular, la minimización de la variación total (TV) es un ejemplo notable cuando el operador de transformación es una matriz de diferencias. Hasta ahora, muchas propiedades teóricas de la variación total no han sido completamente exploradas, por ejemplo, cómo estimar la ubicación precisa de las transiciones de fase y su comprensión rigurosa todavía está en pañales. Hasta el momento, el rendimiento y la robustez del algoritmo existente para la predicción de transiciones de fase del modelo de TV no son satisfactorios. En este documento, diseñamos un nuevo algoritmo de paso de mensajes aproximado para resolver los problemas anteriores, llamado algoritmo de paso de mensajes aproximado de vector de variación total (TV-VAMP). Para ser específicos, primero consideramos el problema desde la perspectiva bayesiana y lo formulamos como un problema de optimización. Luego, se construye el grafo de factores vectoriales para el modelo de TV basado en el problema formulado. Finalmente, se deriva el algoritmo TV-VAMP de acuerdo con la idea de inferencia probabilística en aprendizaje automático. En comparación con el algoritmo existente, nuestro algoritmo puede aplicarse a una amplia gama de distribuciones de medidas, incluidas las matrices de medidas de distribución gaussiana no nulas y matrices de medidas mal condicionadas. Además, en experimentos con diversas configuraciones, incluidas diferentes matrices de distribución de medidas, dispersión del gradiente de señal y tiempos de medida, el algoritmo propuesto puede alcanzar casi el error cuadrático medio objetivo (-60 dB) con menos iteraciones y ajustarse mejor a la curva de transición de fase empírica.