1.一种SVC的错误隐藏方法，其特征在于，所述错误隐藏方法包括：当目标视频的可伸缩视频编码的增强层发生丢包，获取当前帧的基础层图像、前一帧的基础层图像以及前一帧的增强层图像；

根据第一卷积神经网络计算所述前一帧的基础层图像和所述前一帧的增强层图像之间的偏移量参数；其中，所述根据第一卷积神经网络计算所述前一帧的基础层图像和所述前一帧的增强层图像之间的偏移量参数，包括：对所述前一帧的基础层图像进行双线性插值上采样，得到前一帧的基础层图像的上采样图像；

将所述前一帧的基础层图像的上采样图像和所述前一帧的增强层图像拼接，得到拼接图像；

将所述拼接图像输入至所述第一卷积神经网络中，得到所述第一卷积神经网络输出的偏移量参数；其中，所述第一卷积神经网络由线性的卷积层和PReLU激活层组成；其中，所述偏移量参数是指偏移量矩阵；

对所述当前帧的基础层图像进行双线性插值上采样，得到当前帧的基础层图像的上采样图像，并根据第二卷积神经网络利用所述偏移量参数对所述当前帧的基础层图像的上采样图像进行修正，得到修正后的上采样图像；其中，所述第二卷积神经网络为可变形卷积神经网络；

计算前一帧的增强层图像和前一帧的基础层图像之间的残差图像，并根据第三卷积神经网络利用所述残差图像和所述修正后的上采样图像，计算出当前帧的增强层图像；其中，所述计算前一帧的增强层图像和前一帧的基础层图像之间的残差图像包括：将所述前一帧的基础层图像进行双线性插值上采样，得到前一帧的基础层图像的上采样图像；

计算所述前一帧的基础层图像的上采样图像和所述前一帧的增强层图像之间的残差图像。

2.根据权利要求1所述的SVC的错误隐藏方法，其特征在于，所述第三卷积神经网络包括第一卷积神经子网络、第二卷积神经子网络和第三卷积神经子网络，所述第一卷积神经子网络、所述第二卷积神经子网络和所述第三卷积神经子网络的网络结构相同，且所述第一卷积神经子网络由线性的卷积层和PReLU激活层组成；所述根据第三卷积神经网络利用所述残差图像和所述修正后的上采样图像，计算出当前帧的增强层图像，包括：将所述残差图像输入至所述第一卷积神经子网络，得到所述第一卷积神经子网络输出的第一子图像；

将所述修正后的上采样图像输入至所述第二卷积神经子网络，得到所述第二卷积神经子网络输出的第二子图像；

将所述第一子图像和所述第二子图像拼接，得到第三子图像；

将所述第三子图像输入至所述第三卷积神经子网络，得到所述第三卷积神经子网络输出的当前帧的增强层图像。

3.根据权利要求1至2任一项所述的SVC的错误隐藏方法，其特征在于，在所述当目标视频的可伸缩视频编码的增强层发生丢包之前，所述错误隐藏方法还包括：判断目标视频的可伸缩视频编码的基础层是否丢包，当所述基础层没有丢包，则解码所述视频；当所述基础层发生丢包，则重传所述目标视频的数据包。

4.一种模型训练方法，其特征在于，所述模型训练方法包括：

设置可伸缩视频编码的多种量化参数或码率；

将历史视频按照每种所述量化参数或码率，分别进行可伸缩视频编码；

当在目标量化参数或码率的情况下，所述可伸缩视频编码的增强层发生丢包，则获取在所述目标量化参数或码率的情况下的当前帧的基础层图像、前一帧的基础层图像以及前一帧的增强层图像，并构建数据集；其中，所述目标量化参数或码率是所述多种量化参数或码率中的任意一种；

通过所述数据集对深度模型进行训练，直至得到收敛后的所述深度模型；其中，所述深度模型用于执行如权利要求1至3任一项所述的SVC的错误隐藏方法。

5.一种SVC的错误隐藏系统，其特征在于，所述错误隐藏系统包括：图像获取单元，用于当目标视频的可伸缩视频编码的增强层发生丢包，获取当前帧的基础层图像、前一帧的基础层图像以及前一帧的增强层图像；

退化参数获取单元，用于根据第一卷积神经网络计算所述前一帧的基础层图像和所述前一帧的增强层图像之间的偏移量参数；其中，所述根据第一卷积神经网络计算所述前一帧的基础层图像和所述前一帧的增强层图像之间的偏移量参数，包括：对所述前一帧的基础层图像进行双线性插值上采样，得到前一帧的基础层图像的上采样图像；

将所述前一帧的基础层图像的上采样图像和所述前一帧的增强层图像拼接，得到拼接图像；

将所述拼接图像输入至所述第一卷积神经网络中，得到所述第一卷积神经网络输出的偏移量参数；其中，所述第一卷积神经网络由线性的卷积层和PReLU激活层组成；其中，所述偏移量参数是指偏移量矩阵；

第一图像恢复单元，用于对所述当前帧的基础层图像进行双线性插值上采样，得到当前帧的基础层图像的上采样图像，并根据第二卷积神经网络利用所述偏移量参数对所述当前帧的基础层图像的上采样图像进行修正，得到修正后的上采样图像；其中，所述第二卷积神经网络为可变形卷积神经网络；

第二图像恢复单元，用于计算前一帧的增强层图像和前一帧的基础层图像之间的残差图像，并根据第三卷积神经网络利用所述残差图像和所述修正后的上采样图像，计算出当前帧的增强层图像；其中，所述计算前一帧的增强层图像和前一帧的基础层图像之间的残差图像包括：将所述前一帧的基础层图像进行双线性插值上采样，得到前一帧的基础层图像的上采样图像；

计算所述前一帧的基础层图像的上采样图像和所述前一帧的增强层图像之间的残差图像。

6.一种电子设备，其特征在于，包括：

至少一个存储器；

至少一个处理器；

至少一个计算机程序；

所述计算机程序被存储在所述存储器中，处理器执行所述至少一个计算机程序以实现：如权利要求1至3任一项所述的SVC的错误隐藏方法和/或权利要求4所述的模型训练方法。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：如权利要求1至3任一项所述的SVC的错误隐藏方法和/或权利要求4所述的模型训练方法。