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
Herramientas/GitHubGitHub/tancik/stegastamp
EsteganografíaAprendizaje Automático
GitHubtancik/stegastamp

StegaStamp

Hipervínculos Invisibles en Fotografías Físicas

Ver RepositorioSitio web
87222585hace 2 añosRevisado por Kitploit
Compartir

StegaStamp: Enlaces Invisibles en Fotografías Físicas [Página del Proyecto]

CVPR 2020

Matthew Tancik, Ben Mildenhall, Ren Ng Universidad de California, Berkeley

Introducción

Este repositorio es una versión del código del informe de ArXiv que se encuentra aquí. El proyecto explora ocultar datos en imágenes manteniendo la similitud perceptual. Nuestra contribución es la capacidad de extraer los datos después de que la imagen codificada (StegaStamp) ha sido impresa y fotografiada con una cámara (estos pasos introducen corrupciones en la imagen). Este repositorio contiene el código y los modelos preentrenados para replicar los resultados mostrados en el artículo. Además, el repositorio contiene el código necesario para entrenar los modelos codificador y decodificador.

Cómo citar

Si encuentra nuestro trabajo útil, considere citar:

    @inproceedings{2019stegastamp,
        title={StegaStamp: Invisible Hyperlinks in Physical Photographs},
        author={Tancik, Matthew and Mildenhall, Ben and Ng, Ren},
        booktitle={IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
        year={2020}
    }

Instalación

  • Clonar el repositorio e instalar sub-módulos
git clone --recurse-submodules https://github.com/tancik/StegaStamp.git
cd StegaStamp
  • Instalar tensorflow (probado con tf 1.13)
  • Se requiere Python 3
  • Descargar dependencias
pip install -r requirements.txt

Entrenamiento

Codificador / Decodificador

  • Establecer la ruta del conjunto de datos en train.py
TRAIN_PATH = DIR_OF_DATASET_IMAGES
  • Entrenar modelo
bash scripts/base.sh EXP_NAME

El entrenamiento se realiza en train.py. Hay varios hiperparámetros, muchos correspondientes a los parámetros de aumento. scripts/bash.sh proporciona un buen punto de partida.

Detector

El código de entrenamiento para el modelo detector (utilizado para segmentar StegaStamps) no está incluido en este repositorio. El modelo utilizado en el artículo fue entrenado usando el modelo BiSeNet publicado aquí. CROP_WIDTH y CROP_HEIGHT se establecieron en 1024, todos los demás parámetros se configuraron por defecto. El conjunto de datos se generó colocando aleatoriamente StegaStamps deformados en imágenes más grandes.

Tensorboard

Para visualizar el entrenamiento, ejecute el siguiente comando y navegue a http://localhost:6006 en su navegador.

tensorboard --logdir logs

Codificación de un Mensaje

El script encode_image.py se puede usar para codificar un mensaje en una imagen o un directorio de imágenes. El modelo predeterminado espera un secreto codificado en utf-8 de <= 7 caracteres (mensaje de 100 bits -> 56 bits después de ECC).

Codificar un mensaje en una imagen:

python encode_image.py \
  saved_models/stegastamp_pretrained \
  --image test_im.png  \
  --save_dir out/ \
  --secret Hello

Esto guardará tanto el StegaStamp como el residual que se aplicó a la imagen original.

Decodificación de un Mensaje

El script decode_image.py se puede usar para decodificar un mensaje de un StegaStamp.

Ejemplo de uso:

python decode_image.py \
  saved_models/stegastamp_pretrained \
  --image out/test_hidden.png

Detección y Decodificación

El script detector.py se puede usar para detectar y decodificar StegaStamps en una imagen. Esto es útil en casos donde hay múltiples StegaStamps presentes o el StegaStamp no llena el cuadro de la imagen.

Para usar el detector, asegúrese de descargar el modelo detector como se describe en la sección de instalación. La resolución de video de entrada recomendada es 1920x1080.

python detector.py \
  --detector_model detector_models/stegastamp_detector \
  --decoder_model saved_models/stegastamp_pretrained \
  --video test_vid.mp4

Agregue la bandera --save_video FILENAME para guardar los resultados.

La bandera --visualize_detector se puede usar para visualizar la salida de la red detectora. La máscara corresponde a la máscara de segmentación, los polígonos coloreados se ajustan a esta máscara de segmentación usando un conjunto de heurísticas. Las salidas del detector pueden ser ruidosas y son sensibles al tamaño del stegastamp. No se explora una optimización adicional de la red de detección en este artículo.

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.

    732
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    506
  • 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.

    405
  • 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.

    342
  • 5

    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.

    261
  • 6

    antifox

    antifox-ai/antifox

    Plataforma de pruebas de penetración autónoma con múltiples agentes de IA que ejecuta reconocimiento, descubrimiento de superficie de ataque, validación de explotación y entrega de informes respaldados por evidencia.

    259

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →