En una serie de aplicaciones tomográficas, los datos no pueden ser adquiridos completamente, lo que resulta en una reconstrucción de imágenes severamente subdeterminada. Los métodos convencionales en tales casos conducen a reconstrucciones con artefactos significativos. Para superar estos artefactos, se aplican métodos de regularización que incorporan información adicional. Un ejemplo importante es la reconstrucción de TV, que se sabe que es eficiente para compensar la falta de datos y reducir los artefactos de reconstrucción. Por otro lado, los datos tomográficos también están contaminados por ruido, lo que plantea un desafío adicional. El uso de un solo regularizador debe tener en cuenta tanto los datos faltantes como el ruido. Un regularizador particular puede no ser ideal para ambas tareas. Por ejemplo, el regularizador de TV es una mala elección para la reducción de ruido en múltiples escalas, en cuyo caso los métodos de regularización de curvelet son más adecuados. Para abordar este problema, en este documento presentamos un nuevo marco de regularización variacional que combina las ventajas de diferentes regularizadores. La idea básica de nuestro marco es realizar la reconstrucción en dos etapas. La primera etapa está dirigida principalmente a una reconstrucción precisa en presencia de ruido, y la segunda etapa está dirigida a la reducción de artefactos. Ambas etapas de reconstrucción están conectadas por una condición de proximidad de datos. El método propuesto se implementa y se prueba para CT de vista limitada utilizando un enfoque combinado de curvelet-TV. Definimos e implementamos una transformada de curvelet adaptada al problema de vista limitada e ilustramos las ventajas de nuestro enfoque en experimentos numéricos.