回答件数に制限がある中、ポイントを絞ったアドバイスで申し訳ないのですが冬のお祭りが近いので…。

この場合背景は二点透視法で描画して問題ないと思います。
三点透視で描写しているのが不自然さの原因ではないかと。
加えて画面中央近くの部屋の角が垂直になっていないことの2つでしょうか。

まず右手の人物がギリギリフレームに入るようトリミングすると垂直の出るポイントがほぼセンターへと移るので不自然さがひとつ消えます。

次に人物はふたりともフレームに対しほぼ垂直に配置されています。
一方背景は上方の消失点に向かい柱や壁が容易に視認できるレベルで収束していっています。

例えばこの背景パターンを3階建てくらいの校舎に見立ててみてください。
茶道か和歌か、和風の部活を中庭で…あり得るシチュエーションです。
これであれば不自然さは感じません。
或いは腰から下をトリミングして人物が立っていると考える…
つまりもっと極端なアオリ構図であれば不自然さが薄れます。

アイポイントをカメラに置き換えた場合、レンズ～人物～背景の距離と距離感が肝です。
レンズに対し人物が近く、背景が遠い場合、こういう写り方をします。
が、室内はそもそも背景までの距離はそこまで遠くないというのと、
せいぜい和室の室内高は七尺程度しかないという構造上の実情から高低差を強調するケースはあまりないと思います。
基本は高さ方向を無視して消失点を低く設定した変形の二点透視法で描写すれば良いと思いますよ。
そして玩具や動物視点のようにスケール感を演出したい場合に三点透視を、と使い分けるといいでしょう。

身長差は座り方が違うのであまり気にはなりません。
というか、多分背景を描き直すことで「もうちょっとこうした方が良いかも」が見えてくるんじゃないかなと。
袖は…ディテールが掴めないので分かりません。
どういう服を着ているのかだけでも明記しておけば続く方も回答しやすいかと思います。

イラスト拝見いたしました。
和服の男性キャラがカッコいいですね。

私が気になったのは人物です。
手前の振り向いている男性キャラは後ろから声をかけられているのが人物であるなら視線は上かもしくは同じ（相手も座っている）になると思うので視線が下過ぎなのと腕はその場合はまっすぐかも？と思いました。
（実際にやってみたほうがいいかもです）
お尻も宙に浮いている気がします。

距離感ですが２人の人物を立たせてみると部屋に対して２人の人物の高さと大きさが個人的に気になりました。

袖ですが着物の本を見た方がいいかと思います。
（着物なのかが良く分からないので違っていたらすいません）

パースが苦手なので見た感じでしか言えませんが参考程度に見て頂ければと思います。