El uso de la prioridad de auto-similitud no local entre bloques de imagen puede mejorar significativamente el rendimiento de la reconstrucción de imágenes. Proponemos un algoritmo de reconstrucción de imagen de muestreo compresivo que combina la variación total bilateral y la regularización de rango bajo no local para superar el excesivo suavizado y la degradación de la información de los bordes que resultan de la imagen reconstruida previamente. El algoritmo propuesto hace uso de la preservación de la información de los bordes de la imagen mediante el operador de variación total bilateral para mejorar los detalles de los bordes de la imagen reconstruida. Además, utilizamos la regularización de la norma nuclear ponderada como una restricción de rango bajo para bloques similares de la imagen. Para resolver este problema de optimización convexa, se emplea el Método de los Multiplicadores de Dirección Alternos (ADMM) para optimizar e iterar efectivamente el modelo del algoritmo. Los resultados experimentales muestran que el algoritmo propuesto puede obtener una mejor calidad de reconstrucción de imágenes que los algoritmos convencionales que utilizan regularización de variación total o que consideran únicamente la estructura no local de la imagen. Con una tasa de muestreo del 10%, la ganancia de relación señal a ruido pico es de hasta 2.39 dB en mediciones sin ruido en comparación con la Regularización de Rango Bajo No Local (NLR-CS). La comparación de imágenes reconstruidas muestra que el algoritmo propuesto conserva más componentes de alta frecuencia. En mediciones con ruido, el algoritmo propuesto es robusto al ruido y la imagen reconstruida conserva más información detallada.