Netryx Astra V2: Open-Source-Tool findet den Aufnahmeort eines Fotos auf Meter genau

Worum es geht

Du hast ein Foto, vielleicht einen Screenshot aus einem Video oder ein verwackeltes Handybild aus dem Netz. Zu sehen ist nur eine Ladenfront, ein Stück Straße oder eine Hausecke, und du willst wissen, wo genau es aufgenommen wurde. Für diese Frage gibt es das Open-Source-Projekt Netryx Astra V2. Laut seinen Entwicklern ermittelt es aus einem einzigen Bild die GPS-Koordinaten, und zwar auf wenige Meter genau. Dazu gleicht es das Foto mit einer Datenbank aus Street-View-Panoramen ab, also den Rundumbildern, die man aus Kartendiensten kennt. Nach dem Hochladen soll das Programm innerhalb weniger Minuten Straße, Stadt und Koordinaten nennen.

Der Code liegt kostenlos auf GitHub. Die Installationsanleitung verweist auf github.com/sparkyniner/Netryx-Astra-V2-Geolocation-Tool, eine weitere Fassung findet sich unter github.com/brodyos-dev/netryx-astra-geolocation-tool. Bekannt gemacht wurde das Tool unter anderem über die Tool-Sammlung KitPloit, die Vulners.com spiegelt. Sie richtet sich vor allem an Sicherheitsforscher und OSINT-Rechercheure. OSINT steht für „Open Source Intelligence“, also Ermittlungen allein mit öffentlich zugänglichen Informationen. Das Programm läuft laut Projektseite auf Mac, Linux und Windows und arbeitet vollständig lokal auf dem eigenen Rechner.

Zwei neue Forschungsmodelle als Kern

Die Version 2 wurde nach Angaben der Entwickler komplett neu gebaut. Dafür nutzt sie zwei Modelle, die es beim Start des Projekts noch nicht gab:

• MegaLoc wurde auf der Fachkonferenz CVPR 2025 vorgestellt. Es ist ein Modell für „Place Recognition“, also das Wiedererkennen von Orten. Es stammt aus dem Labor von Gabriele Berton, aus dem auch die Vorgänger CosPlace und EigenPlaces kommen. Trainiert wurde es gleichzeitig auf mehreren Datensätzen (SF-XL, GSV-Cities, MSLS und Landmarken-Daten), die drinnen und draußen, Tag und Nacht sowie verschiedene Jahreszeiten abdecken. Laut den Netryx-Entwicklern schlägt kein anderes Modell es durchgängig in allen Benchmarks. Seine Aufgabe ist es, die richtige Gegend zu finden.
• MASt3R wurde auf der ECCV 2024 vorgestellt. Es ist ein „3D-bewusster“ Matcher: Es vergleicht zwei Bilder nicht nur über Pixelmuster, sondern versteht die räumliche Geometrie der Szene. Damit bestätigt es den genauen Ort, auch bei stark beschnittenen Fotos.

So läuft eine Suche ab

Die Entwickler betonen, dass die Pipeline wirklich nur drei Stufen hat.

1. Kandidaten finden (MegaLoc): Das Suchbild wird in einen „Deskriptor“ umgewandelt, eine Art digitaler Fingerabdruck aus 8448 Zahlen, der das visuelle Wesen der Szene festhält. Per PCA wird er auf 1024 Zahlen verkleinert. PCA ist ein mathematisches Verfahren, das Daten auf ihre wichtigsten Richtungen eindampft, ähnlich wie man eine lange Beschreibung auf ihre Kernpunkte kürzt. Dieser Fingerabdruck wird dann mit allen gespeicherten Orten verglichen. Zusätzlich berechnet das Programm Fingerabdrücke für einen leicht herangezoomten Mittelausschnitt und für eine gespiegelte Version des Bildes. So werden Fälle abgedeckt, in denen das Foto anders gezoomt ist oder in die Gegenrichtung zeigt. Am Ende stehen die 500 ähnlichsten Kandidaten.

2. Kandidaten prüfen (MASt3R): Für jeden der 500 Kandidaten lädt das Tool das passende Panorama, schneidet es in der gespeicherten Blickrichtung zu und sucht Übereinstimmungen. Klassische Verfahren wie SuperPoint und LightGlue arbeiten mit 500 bis 2000 markanten Einzelpunkten. Überschneiden sich zwei Bilder nur zu 20 Prozent, bleiben oft nur rund 50 gemeinsame Punkte übrig, und das reicht für eine sichere Zuordnung nicht. MASt3R behandelt den Abgleich dagegen wie eine 3D-Rekonstruktion und sagt für jeden Pixel eine räumliche Position voraus. Selbst kleine gemeinsame Bildbereiche liefern so Hunderte verlässliche Übereinstimmungen. Im „Map-free“-Benchmark, bei dem ein einziges Referenzbild und Blickwinkeländerungen bis 180 Grad vorgegeben sind, übertrifft MASt3R frühere Methoden laut Projektseite um 30 Prozent.

3. Räumliche Abstimmung (Spatial Consensus): Der beste Einzeltreffer ist nicht automatisch richtig. Zwei gleiche Filialen einer Restaurantkette fünf Kilometer voneinander entfernt erzielen beide hohe Werte, und Reihen sowjetischer Plattenbauten sehen sich zum Verwechseln ähnlich. Deshalb teilt Netryx das Suchgebiet in Rasterzellen von etwa 50 Metern. Gute Treffer werden geografisch gebündelt, und jede Zelle erhält eine Punktzahl aus allen Treffern in ihr und in den Nachbarzellen. Ein Ausreißer mit 200 übereinstimmenden Punkten am falschen Ort verliert so gegen eine Gruppe aus fünf Treffern mit je 80 bis 150 Punkten am richtigen Ort. Laut Entwicklern bleibt die Genauigkeit dadurch auch bei großen Suchradien stabil.

Was sich gegenüber Version 1 geändert hat

Die alte Version beschreiben die Entwickler selbst als „fragil“: ein Stapel von Faustregeln, von denen jede die Schwäche der vorherigen Stufe ausbügeln sollte. Weniger Stufen bedeuten laut Projekt weniger Fehlerquellen, schnellere Suchen und Code, der sich warten lässt.

Indizes: der aufwendige Teil und der Community-Hub

Bevor man in einer Stadt suchen kann, muss sie indexiert werden. Das Programm legt dafür ein Punkteraster über das Gebiet, sucht alle verfügbaren Panoramen und lädt sie in Kacheln herunter. Es setzt sie zusammen, schneidet sie in mehreren Blickrichtungen zu, berechnet für jeden Ausschnitt einen MegaLoc-Fingerabdruck und baut daraus einen kompakten Suchindex. Laut Anleitung dauert das bei einem Radius von 1 km etwa 20 bis 30 Minuten, bei 5 km einige Stunden und bei 10 km eine ganze Nacht.

Damit nicht jeder dieselbe Stadt neu berechnen muss, gibt es einen Community-Hub: Wer eine Stadt indexiert hat, lädt das Ergebnis hoch, und andere laden es in wenigen Minuten herunter. Die Indizes liegen als öffentliche Datensätze auf Hugging Face. Herunterladen geht ohne Konto, Hochladen braucht ein kostenloses Hugging-Face-Konto. Alternativ lassen sich Indizes als .netryx-Datei exportieren und per Discord, E-Mail oder Cloud-Speicher weitergeben. Das ist ein ZIP-Archiv mit den Fingerabdrücken, Koordinaten und Blickrichtungen, dem PCA-Modell und einer Beschreibung des abgedeckten Gebiets. Beim Export filtert das Tool automatisch nach Region, aus einem großen Index lässt sich also etwa nur „Moskau 1 km“ herausschneiden. Der Import funktioniert komplett offline.

Für Probleme nennt die Anleitung einen Workaround: Friert das Programm beim Berechnen der PCA wegen Speichermangels ein, soll man den Index per Terminal mit python3 -c "from test_super import build_compact_index; build_compact_index()" erstellen. Das Setup-Skript richtet eine virtuelle Python-Umgebung ein, installiert die Abhängigkeiten, holt MASt3R und lädt die Modelldateien vorab herunter. Konkrete Angaben zu Grafikkarte oder Arbeitsspeicher macht die Quelle nicht.

Das Moskau-Beispiel

Als Vorzeigefall zeigen die Entwickler den kleinen Ausschnitt einer Gebäudefassade, auf dem „absolut nichts“ zu erkennen sei. Klassische OSINT-Recherche wäre daran nach ihrer Aussage gescheitert. Netryx Astra habe den Ort dennoch ohne Metadaten und ohne Vorwissen vollständig lokal auf die exakten Koordinaten bestimmt. Gesucht wurde dabei in einem Radius von 1 km in Moskau. Das ist ein wichtiger Punkt: Das Tool findet einen Ort nur innerhalb eines vorher indexierten Gebiets. Man muss also schon ungefähr wissen, wo man suchen will, oder einen passenden Index haben.

Einordnung

Netryx Astra V2 ist kein eigenes KI-Modell, sondern ein geschicktes Zusammenspiel aktueller Forschungsmodelle in einer bedienbaren Anwendung. Interessant ist das vor allem für Journalisten, Faktenprüfer und OSINT-Rechercheure, die etwa Kriegsvideos oder Fotos aus sozialen Netzwerken verifizieren. Der Ansatz ist technisch schlüssig: Die Kombination aus grober Suche, dichter 3D-Prüfung und räumlicher Abstimmung adressiert die bekannten Schwächen solcher Systeme, vor allem die Verwechslung ähnlicher Orte.

Einige Einschränkungen gibt es aber. Alle Genauigkeitsangaben stammen von den Entwicklern selbst, unabhängige Tests oder eine systematische Auswertung liegen nicht vor. Das Programm braucht vorhandene Street-View-Abdeckung und einen indexierten Suchbereich, eine weltweite Suche „aus dem Nichts“ leistet es nicht. Wie verlässlich die Community-Indizes sind und ob das massenhafte Herunterladen von Panoramen mit den Nutzungsbedingungen der Kartenanbieter vereinbar ist, bleibt offen. Die Quelle sagt auch nicht, welche Panoramen genutzt werden. Schließlich ist die Dual-Use-Problematik offensichtlich: Dasselbe Werkzeug, das Desinformation entlarven hilft, kann auch Menschen anhand privater Fotos aufspüren. Die Projektseite geht auf diese Missbrauchsrisiken nicht ein. Wer Fotos online stellt, sollte damit rechnen, dass schon eine Hausecke den Ort verraten kann.