El problema de reconstrucción en la tomografía computarizada de rayos X (XCT) es notoriamente difícil en el caso en que solo se realizan un pequeño número de mediciones. Basándose en el paradigma de Muestreo Comprimido recientemente descubierto, se han propuesto muchos métodos para abordar el problema de reconstrucción aprovechando la esparcidad inherente de las descomposiciones del objeto en varias bases o diccionarios apropiados. En la práctica, la reconstrucción se logra generalmente incorporando funcionales de penalización de esparcidad ponderados en el objetivo de mínimos cuadrados del problema de optimización asociado. Uno de estos funcionales de penalización es la norma de Variación Total (TV), que ha sido empleada con éxito desde los primeros días del Muestreo Comprimido. La Variación Generalizada Total (TGV) es una mejora reciente de este enfoque. Una de las principales ventajas de estos enfoques basados en penalización es que el problema de optimización resultante es convexo y, como tal, no puede verse afectado por la posible existencia de soluciones espurias. Sin embargo, el uso de la penalización TGV conlleva el inconveniente de tener que ajustar los dos hiperparámetros que gobiernan las semi-normas TGV. En esta breve nota, proporcionamos una receta simple y eficiente para ajustar rápidamente los hiperparámetros, basada en la simple idea de virtualmente plantar una imagen ficticia en el modelo. El truco propuesto potencialmente se aplica a todos los problemas inversos lineales bajo la suposición de que se dispone de información previa relevante sobre la solución buscada, aunque es muy diferente del método bayesiano.