La estimación robusta tiene como objetivo proporcionar estimaciones precisas y fiables de parámetros, especialmente cuando los datos están afectados por ruido o valores atípicos. Los métodos tradicionales como el consenso de muestra aleatoria (RANSAC) luchan por manejar los valores atípicos porque tratan todas las observaciones como igualmente importantes. Una serie de métodos avanzados de aprendizaje profundo han surgido recientemente, los cuales utilizan técnicas de aprendizaje profundo para estimar la probabilidad de que cada muestra sea seleccionada, priorizando una mayor confianza para las observaciones que están más cerca del modelo de verdad terrenal. Sin embargo, optimizar únicamente basado en la proximidad al modelo de verdad terrenal no garantiza estimaciones de mayor calidad. Mientras tanto, las relaciones espaciales entre los puntos de datos en el conjunto de muestra mínimo también influyen en la precisión del modelo estimado final. Para abordar estos problemas, proponemos Spatial-Aware Net (SA-Net), una red neuronal de doble rama que integra tanto la confianza como las codificaciones espaciales. SA-Net emplea un codificador de distribución de confianza para aprender la distribución de confianza y un codificador de distribución espacial para capturar correlaciones espaciales entre características de puntos. Al incorporar el muestreo multiperspectiva, el conjunto de muestra mínimo puede ser seleccionado basado en diferentes distribuciones espaciales en la salida de la red neuronal, y aplicando restricciones de Pérdida Chamfer, nuestro enfoque mejora la optimización del modelo y mitiga eficazmente las soluciones subóptimas. Experimentos extensos demuestran que SA-Net supera al estado del arte en diversas tareas de estimación robusta del mundo real.