Qu'elles soient acoustiques, élastiques, ou électromagnétiques, les ondes peuvent être utilisées pour sonder un milieu inconnu et en extraire de l'information. Dans un premier temps, des ondes sont émises, notamment par des transducteurs en acoustique ou des antennes en électromagnétique, et les récepteurs les enregistrent. Dans un deuxième temps, les données enregistrées sont traitées dans le but de répondre à des questions spécifiques: localisation ou caractérisation de sources ou de réflecteurs.

Lorsque seules des données bruitées sont disponibles pour caractériser un objet, le défi de la modélisation consiste à établir les paramètres qui permettent de le (re)construire.

Les méthodes de corrélations croisées ont contribué à une percée majeure en imagerie au début des années 2000. Ces méthodes ont été mises au point à partir d'observations lors des expériences de retournement temporel. L'expérimentation dans ce domaine consiste à enregistrer des ondes par un réseau de récepteurs et à les renvoyer dans le milieu après retournement temporel, dans le but de focaliser les ondes sur les sources originales ou sur les réflecteurs. De manière à l'époque inattendue, la refocalisation des ondes dans un milieu perturbé aléatoirement réussit bien mieux que dans un milieu homogène.

En imagerie multi-statique, la question centrale porte sur la quantification et la compréhension des compromis entre tailles des données, complexité informatique, rapport signal sur bruit et résolution. L'arbitrage entre résolution et stabilité est critique quand les données sont bruitées. Le bruit peut apparaître sous différentes formes en imagerie multi-statique. Les récepteurs eux-même peuvent être responsables de bruit de mesure, ce qui signifie que les données enregistrées sont corrompues par un bruit ajouté et non corrélé. Ce type de bruit est bien compris et peut-être réduit par des méthodes d'imagerie classique, comme l'imagerie des moindres carrés (ou l'inversion de forme d'onde complète), la migration par retournement temporel ou la migration par temps de trajet.

Le milieu lui-même peut être responsable du bruit. En effet, le milieu de propagation peut être hétérogène. Dans ce cas, la diffusion des ondes produit du bruit de milieu dans les données. Le bruit provoqué par le milieu a une structure très différente par comparaison au bruit de mesure, en raison de ses propriétés de corrélation non triviales. Sivienn analyse alors les corrélations des signaux enregistrés qui apportent des informations sur le milieu.

Enfin, les sources peuvent être responsables de bruit. Elles peuvent être imparfaitement contrôlées. Cependant, les sources de bruit incontrôlées, ou même les sources de bruit ambiant, peuvent créerdes ondes qui donnent des informations sur le milieu à travers leurs corrélations. L'approche originale de Sivienn consiste à analyser les corrélations des signaux enregistrés et à extraire l'information qu'elles contiennent.

Pour développer les techniques d'imagerie et de traitement du signal originales qu'elle élabore depuis 2013, Sivienn recherche des collaborateurs qui souhaitent mettre en valeur leurs talents scientifiques.
Les techniques par corrélations croisées ont été originellement proposées et développées dans le cadre de la séismologie. Elles ont permis des progrès majeurs concernant la présence d'un milieu hétérogène complexe et l'utilisation de sources mal ou non contrôlées, voire de sources de bruit ambiant. Le but de Sivienn est d'étendre ces idées à d'autres domaines. Les premiers travaux de Sivienn ont porté avec succès sur la surveillance de structures (ponts, tunnels) par des capteurs passifs pour la détection d'anomalies, sur le contrôle non destructif par ultrasons dans des milieux complexes (béton), ou sur l'analyse des modes vibratoires des assemblages d'uranium dans les cœurs de réacteurs par des mesures de flux neutroniques. Des nouveaux domaines d'application ont émergé en acoustique et en mécanique sous-marines, notamment.
C'est pour appliquer ces techniques à de nouvelles applications que Sivienn recrute des chercheurs à temps plein, avec un profil de docteur ou de post-doctorant en mathématiques app., avec des compétences en probabilités/statistique et/ou en traitement du signal et familier du langage Python.