El muestreo compresivo en el dominio de la ambigüedad facilita la reconstrucción de alto rendimiento de distribuciones tiempo-frecuencia (TFDs) para señales no estacionarias. Sin embargo, identificar el parámetro de regularización óptimo en ausencia de conocimiento previo sigue siendo un desafío significativo. El algoritmo de encogimiento/umbral iterativo de dos pasos basado en la entropía de Rényi (RTwIST) aborda este problema al incorporar estimaciones de componentes locales para guiar el umbral adaptativo, mejorando así la interpretabilidad y la robustez. Sin embargo, RTwIST puede tener dificultades para aislar con precisión componentes en casos de variaciones significativas de amplitud o intersecciones de componentes. En este trabajo, se propone un marco de trabajo mejorado de RTwIST, que integra la etapa de refinamiento basada en el consenso de muestra aleatoria (RANSAC) que extrae de forma iterativa componentes individuales y ajusta trayectorias suaves a sus picos. Las curvas de mejor ajuste se seleccionan minimizando una función objetivo dedicada que equilibra la consistencia de amplitud y la suavidad de la trayectoria. La validación experimental tanto en señales electroencefalográficas (EEG) sintéticas como del mundo real demuestra que el método propuesto logra una precisión de reconstrucción superior, una continuidad de auto-términos mejorada y una mayor robustez en comparación con el RTwIST original y varios algoritmos de vanguardia.