Skip to content
KitploitKITPLOIT
HerramientasExploitsBlog
Log in
Enviar
HerramientasExploitsBlog
Enviar

¡Herramientas de Hacking, PenTest y Ciberseguridad para tu Arsenal de Seguridad!

Kitploit es un directorio de herramientas de hacking, ciberseguridad y pentesting. Descubre las últimas actualizaciones de proyectos para encontrar vulnerabilidades, analizar sistemas, automatizar pruebas y fortalecer tu seguridad.

FeedsContactoPrivacidad© 2026 Kitploit

Directorio de Herramientas

Categorías

Ver todas las categorías
Loading categories
Netryx-Astra-V2-Geolocation-Tool — El software de geolocalización de imágenes a nivel de calle más sofisticado del mundo | Kitploit
Herramientas/GitHubGitHub/sparkyniner/netryx-astra-v2-geolocation-tool
OSINT (Inteligencia de Fuentes Abiertas)ReconocimientoRecopilación de InformaciónCTFAprendizaje AutomáticoAprendizaje y EducaciónRecursos Curados
GitHubsparkyniner/netryx-astra-v2-geolocation-tool
Compartir

Netryx-Astra-V2-Geolocation-Tool

El software de geolocalización de imágenes a nivel de calle más sofisticado del mundo

Ver Repositorio
71178197hace 22 díasRevisado por Kitploit

Image

Netryx Astra V2

Geolocalización con IA de última generación a partir de una sola imagen.

La idea • Cómo funciona • Primeros pasos • Community Hub • Instalación

LinkedIn MegaLoc MASt3R License Python

Netryx Astra V2 en acción


La idea

Tienes una fotografía. Quizá sea una captura de pantalla de un vídeo. Quizá sea una foto de móvil recortada y borrosa que alguien publicó en internet. Quizá muestre solo un escaparate, un tramo de carretera o la esquina de un edificio. Quieres saber exactamente dónde se tomó.

Netryx Astra V2 responde a esa pregunta.

Es un sistema de geolocalización de código abierto que toma una sola imagen y encuentra las coordenadas GPS precisas comparándola con una base de datos de panoramas de street view. Sube tu foto y, en cuestión de minutos, te dice la calle, la ciudad y las coordenadas, con una precisión de unos pocos metros.

Lo que hace diferente a V2 respecto al Netryx original (y respecto a otras herramientas que existen) es el pipeline de comparación. Reconstruimos todo desde cero usando dos modelos que no existían cuando empezamos este proyecto:

  • MegaLoc (CVPR 2025): el modelo de recuperación de imágenes más preciso para reconocimiento de lugares, entrenado con seis conjuntos de datos que cubren variaciones de interior, exterior, día, noche y estacionales. Encuentra el barrio correcto.

  • MASt3R (ECCV 2024): un comparador denso con conciencia 3D que entiende la geometría de las escenas, no solo los patrones de píxeles. Confirma la ubicación exacta, incluso a partir de fotos parciales o muy recortadas que romperían los comparadores tradicionales.

El resultado es un pipeline de tres pasos que es a la vez más simple y más preciso que el sistema de nueve etapas al que reemplaza.

Qué cambió respecto a V1

El Netryx original usaba CosPlace para la recuperación y una pila de DISK + LightGlue + LoFTR + RANSAC + descriptor hopping + expansión de vecindad para la verificación. Funcionaba, pero era frágil: muchas heurísticas superpuestas unas sobre otras, cada una un parche para una limitación de la etapa anterior.

V2 descartó todo eso. Esto es lo que reemplazó a qué:

V1 (Original)V2 (Astra)
Búsqueda de candidatosCosPlace (ResNet-50, 512-dim)MegaLoc (DINOv2 ViT-B/14, 8448-dim → PCA 1024)
Confirmación de coincidenciasDISK + LightGlue + RANSACComparación densa 3D con MASt3R
Manejo de casos límiteFallback a LoFTR, descriptor hopping, expansión de vecindad, Ultra ModeConsenso espacial: eso es todo
Etapas totales del pipeline9+3
Coincidencia de imágenes parcialesDébil: los keypoints dispersos fallan con solapamientos pequeñosFuerte: MASt3R encuentra correspondencias densas en regiones minúsculas
Compartir índicesNo es posibleCommunity Hub mediante Hugging Face + paquetes .netryx sin conexión

La simplificación no es solo estética. Menos etapas significa menos lugares donde las cosas pueden salir mal, búsquedas más rápidas y código que realmente se puede mantener.

Cómo funciona

El pipeline tiene tres etapas. No es una simplificación excesiva: son genuinamente solo tres etapas.

Query Image
     │
     ▼
┌─────────────┐
│   MegaLoc   │  "Where in the city could this be?"
│  Retrieval  │  
└─────┬───────┘
      │  Top 500 candidates
      ▼
┌─────────────┐
│   MASt3R    │  "Is this actually the same place?"
│   Matching  │  
└─────┬───────┘
      │  Scored candidates
      ▼
┌─────────────┐
│   Spatial   │  "Which cluster of matches is most trustworthy?"
│  Consensus  │  
└─────┬───────┘
      │
      ▼
  📍 GPS Coordinates

Etapa 1: Recuperación con MegaLoc

Tu imagen de consulta se convierte en un descriptor compacto — un vector de 8448 dimensiones que captura la esencia visual de la escena. Este se reduce mediante PCA a 1024 dimensiones y luego se compara con cada ubicación indexada mediante similitud de producto punto.

También extraemos un descriptor para un recorte central ligeramente ampliado y para una versión volteada horizontalmente de la consulta, y luego fusionamos los resultados. Esto maneja casos en los que la consulta está a un nivel de zoom diferente o mira en la dirección opuesta a la vista indexada.

La salida son las 500 ubicaciones candidatas principales del índice, clasificadas por similitud visual.

MegaLoc proviene del laboratorio de Gabriele Berton (el mismo grupo que creó CosPlace y EigenPlaces). Es lo más reciente de su línea de trabajo, entrenado simultáneamente con SF-XL, GSV-Cities, MSLS y datos de recuperación de puntos de referencia. Ningún otro modelo de recuperación lo supera de forma consistente en todos los benchmarks — interiores, exteriores, urbanos, rurales, de día, de noche.

Etapa 2: Coincidencia densa con MASt3R

Para cada uno de esos 500 candidatos, descargamos el panorama de vista a nivel de calle correspondiente, lo recortamos en el ángulo de rumbo indexado y ejecutamos MASt3R para encontrar correspondencias densas de píxeles entre la consulta y el recorte.

Aquí es donde ocurre la magia para las consultas difíciles. Los emparejadores tradicionales como SuperPoint + LightGlue extraen quizás 500-2000 puntos clave dispersos e intentan emparejarlos. Si tu imagen de consulta solo se superpone un 20% con la imagen de la base de datos, puede que solo haya 50 puntos clave co-visibles — no suficientes para una coincidencia fiable.

MASt3R funciona de forma completamente distinta. Trata la coincidencia como un problema de reconstrucción 3D, prediciendo mapas de puntos densos y descriptores de características locales para cada píxel. Incluso una pequeña región superpuesta produce cientos de correspondencias fiables, porque comprende la estructura 3D de la escena, no solo patrones de píxeles 2D.

En el benchmark de localización sin mapa (imagen de referencia única, cambios de punto de vista de hasta 180°), MASt3R supera a los métodos anteriores en un 30%. Eso no es una mejora incremental — es un salto generacional.

Etapa 3: Consenso espacial

Aquí está el problema de simplemente elegir el candidato con la puntuación de coincidencia más alta: existen falsos positivos. Dos restaurantes de cadena idénticos a 5 km de distancia producirán ambos puntuaciones altas de MASt3R. Una hilera de bloques de apartamentos de la era soviética todos parecen iguales.

El consenso espacial resuelve esto. Dividimos el área de búsqueda en celdas de cuadrícula de ~50 metros y agrupamos todas las buenas coincidencias geográficamente. Cada celda recibe una puntuación basada en la evidencia combinada de todas las coincidencias en esa celda y sus vecinas.

Descargar herramienta

Más Populares

Ver todos →

Descubre las herramientas más usadas por nuestra comunidad.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 El kit de herramientas OSINT definitivo: grafo de investigación, puntuación de confianza, familias de alias, mapa, línea de tiempo e informes. 49 módulos, más de 400 sitios, sin necesidad de claves API.

    565
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicación de Ejecución con un Solo Toque GhostLock (CVE-2026-43499)

    478
  • 3

    ARTEX

    baarai/artex

    Plataforma de pruebas de penetración autónoma multiagente basada en LLM con agentes planificadores/trabajadores, grafos de activos y de exploración, registro de tráfico MITM y reevaluación de vulnerabilidades.

    383
  • 4

    redforge

    cybersecurity91/redforge

    Kit de herramientas de red team del lado del navegador con 102 herramientas offline para reconocimiento, generación de payloads, ataques de credenciales, criptografía, codificación y elaboración de informes de compromiso.

    327
  • 5

    estorides

    grisuno/estorides

    Agrega más de 99 fuentes OSINT gratuitas en paralelo, resuelve entidades en un grafo de conocimiento y exporta STIX 2.1, MISP o GraphML con análisis asistido por LLM.

    258
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    El sistema de acción para la ciberseguridad nativa de IA—donde la intención se convierte en ejecución gobernada, la evidencia se convierte en memoria operativa y cada operación mejora la siguiente.

    256

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →