simd/jiss2fst-64.asm

   1 ;
   2 ; jiss2fst-64.asm - fast integer IDCT (64-bit SSE2)
   3 ;
   4 ; Copyright 2009 Pierre Ossman <ossman@cendio.se> for Cendio AB
   5 ; Copyright 2009 D. R. Commander
   6 ;
   7 ; Based on
   8 ; x86 SIMD extension for IJG JPEG library
   9 ; Copyright (C) 1999-2006, MIYASAKA Masaru.
  10 ; For conditions of distribution and use, see copyright notice in jsimdext.inc
  11 ;
  12 ; This file should be assembled with NASM (Netwide Assembler),
  13 ; can *not* be assembled with Microsoft's MASM or any compatible
  14 ; assembler (including Borland's Turbo Assembler).
  15 ; NASM is available from http://nasm.sourceforge.net/ or
  16 ; http://sourceforge.net/projecpt/showfiles.php?group_id=6208
  17 ;
  18 ; This file contains a fast, not so accurate integer implementation of
  19 ; the inverse DCT (Discrete Cosine Transform). The following code is
  20 ; based directly on the IJG's original jidctfst.c; see the jidctfst.c
  21 ; for more details.
  22 ;
  23 ; [TAB8]
  24
  25 %include "jsimdext.inc"
  26 %include "jdct.inc"
  27
  28 ; --------------------------------------------------------------------------
  29
  30 %define CONST_BITS      8       ; 14 is also OK.
  31 %define PASS1_BITS      2
  32
  33 %if IFAST_SCALE_BITS != PASS1_BITS
  34 %error "'IFAST_SCALE_BITS' must be equal to 'PASS1_BITS'."
  35 %endif
  36
  37 %if CONST_BITS == 8
  38 F_1_082 equ     277             ; FIX(1.082392200)
  39 F_1_414 equ     362             ; FIX(1.414213562)
  40 F_1_847 equ     473             ; FIX(1.847759065)
  41 F_2_613 equ     669             ; FIX(2.613125930)
  42 F_1_613 equ     (F_2_613 - 256) ; FIX(2.613125930) - FIX(1)
  43 %else
  44 ; NASM cannot do compile-time arithmetic on floating-point constants.
  45 %define DESCALE(x,n)  (((x)+(1<<((n)-1)))>>(n))
  46 F_1_082 equ     DESCALE(1162209775,30-CONST_BITS)       ; FIX(1.082392200)
  47 F_1_414 equ     DESCALE(1518500249,30-CONST_BITS)       ; FIX(1.414213562)
  48 F_1_847 equ     DESCALE(1984016188,30-CONST_BITS)       ; FIX(1.847759065)
  49 F_2_613 equ     DESCALE(2805822602,30-CONST_BITS)       ; FIX(2.613125930)
  50 F_1_613 equ     (F_2_613 - (1 << CONST_BITS))   ; FIX(2.613125930) - FIX(1)
  51 %endif
  52
  53 ; --------------------------------------------------------------------------
  54         SECTION SEG_CONST
  55
  56 ; PRE_MULTIPLY_SCALE_BITS <= 2 (to avoid overflow)
  57 ; CONST_BITS + CONST_SHIFT + PRE_MULTIPLY_SCALE_BITS == 16 (for pmulhw)
  58
  59 %define PRE_MULTIPLY_SCALE_BITS   2
  60 %define CONST_SHIFT     (16 - PRE_MULTIPLY_SCALE_BITS - CONST_BITS)
  61
  62         alignz  16
  63         global  EXTN(jconst_idct_ifast_sse2)
  64
  65 EXTN(jconst_idct_ifast_sse2):
  66
  67 PW_F1414        times 8 dw  F_1_414 << CONST_SHIFT
  68 PW_F1847        times 8 dw  F_1_847 << CONST_SHIFT
  69 PW_MF1613       times 8 dw -F_1_613 << CONST_SHIFT
  70 PW_F1082        times 8 dw  F_1_082 << CONST_SHIFT
  71 PB_CENTERJSAMP  times 16 db CENTERJSAMPLE
  72
  73         alignz  16
  74
  75 ; --------------------------------------------------------------------------
  76         SECTION SEG_TEXT
  77         BITS    64
  78 ;
  79 ; Perform dequantization and inverse DCT on one block of coefficients.
  80 ;
  81 ; GLOBAL(void)
  82 ; jsimd_idct_ifast_sse2 (void * dct_table, JCOEFPTR coef_block,
  83 ;                       JSAMPARRAY output_buf, JDIMENSION output_col)
  84 ;
  85
  86 ; r10 = jpeg_component_info * compptr
  87 ; r11 = JCOEFPTR coef_block
  88 ; r12 = JSAMPARRAY output_buf
  89 ; r13 = JDIMENSION output_col
  90
  91 %define original_rbp    rbp+0
  92 %define wk(i)           rbp-(WK_NUM-(i))*SIZEOF_XMMWORD ; xmmword wk[WK_NUM]
  93 %define WK_NUM          2
  94
  95         align   16
  96         global  EXTN(jsimd_idct_ifast_sse2)
  97
  98 EXTN(jsimd_idct_ifast_sse2):
  99         push    rbp
 100         mov     rax,rsp                         ; rax = original rbp
 101         sub     rsp, byte 4
 102         and     rsp, byte (-SIZEOF_XMMWORD)     ; align to 128 bits
 103         mov     [rsp],rax
 104         mov     rbp,rsp                         ; rbp = aligned rbp
 105         lea     rsp, [wk(0)]
 106         collect_args
 107
 108         ; ---- Pass 1: process columns from input.
 109
 110         mov     rdx, r10        ; quantptr
 111         mov     rsi, r11                ; inptr
 112
 113 %ifndef NO_ZERO_COLUMN_TEST_IFAST_SSE2
 114         mov     eax, DWORD [DWBLOCK(1,0,rsi,SIZEOF_JCOEF)]
 115         or      eax, DWORD [DWBLOCK(2,0,rsi,SIZEOF_JCOEF)]
 116         jnz     near .columnDCT
 117
 118         movdqa  xmm0, XMMWORD [XMMBLOCK(1,0,rsi,SIZEOF_JCOEF)]
 119         movdqa  xmm1, XMMWORD [XMMBLOCK(2,0,rsi,SIZEOF_JCOEF)]
 120         por     xmm0, XMMWORD [XMMBLOCK(3,0,rsi,SIZEOF_JCOEF)]
 121         por     xmm1, XMMWORD [XMMBLOCK(4,0,rsi,SIZEOF_JCOEF)]
 122         por     xmm0, XMMWORD [XMMBLOCK(5,0,rsi,SIZEOF_JCOEF)]
 123         por     xmm1, XMMWORD [XMMBLOCK(6,0,rsi,SIZEOF_JCOEF)]
 124         por     xmm0, XMMWORD [XMMBLOCK(7,0,rsi,SIZEOF_JCOEF)]
 125         por     xmm1,xmm0
 126         packsswb xmm1,xmm1
 127         packsswb xmm1,xmm1
 128         movd    eax,xmm1
 129         test    rax,rax
 130         jnz     short .columnDCT
 131
 132         ; -- AC terms all zero
 133
 134         movdqa  xmm0, XMMWORD [XMMBLOCK(0,0,rsi,SIZEOF_JCOEF)]
 135         pmullw  xmm0, XMMWORD [XMMBLOCK(0,0,rdx,SIZEOF_ISLOW_MULT_TYPE)]
 136
 137         movdqa    xmm7,xmm0             ; xmm0=in0=(00 01 02 03 04 05 06 07)
 138         punpcklwd xmm0,xmm0             ; xmm0=(00 00 01 01 02 02 03 03)
 139         punpckhwd xmm7,xmm7             ; xmm7=(04 04 05 05 06 06 07 07)
 140
 141         pshufd  xmm6,xmm0,0x00          ; xmm6=col0=(00 00 00 00 00 00 00 00)
 142         pshufd  xmm2,xmm0,0x55          ; xmm2=col1=(01 01 01 01 01 01 01 01)
 143         pshufd  xmm5,xmm0,0xAA          ; xmm5=col2=(02 02 02 02 02 02 02 02)
 144         pshufd  xmm0,xmm0,0xFF          ; xmm0=col3=(03 03 03 03 03 03 03 03)
 145         pshufd  xmm1,xmm7,0x00          ; xmm1=col4=(04 04 04 04 04 04 04 04)
 146         pshufd  xmm4,xmm7,0x55          ; xmm4=col5=(05 05 05 05 05 05 05 05)
 147         pshufd  xmm3,xmm7,0xAA          ; xmm3=col6=(06 06 06 06 06 06 06 06)
 148         pshufd  xmm7,xmm7,0xFF          ; xmm7=col7=(07 07 07 07 07 07 07 07)
 149
 150         movdqa  XMMWORD [wk(0)], xmm2   ; wk(0)=col1
 151         movdqa  XMMWORD [wk(1)], xmm0   ; wk(1)=col3
 152         jmp     near .column_end
 153 %endif
 154 .columnDCT:
 155
 156         ; -- Even part
 157
 158         movdqa  xmm0, XMMWORD [XMMBLOCK(0,0,rsi,SIZEOF_JCOEF)]
 159         movdqa  xmm1, XMMWORD [XMMBLOCK(2,0,rsi,SIZEOF_JCOEF)]
 160         pmullw  xmm0, XMMWORD [XMMBLOCK(0,0,rdx,SIZEOF_IFAST_MULT_TYPE)]
 161         pmullw  xmm1, XMMWORD [XMMBLOCK(2,0,rdx,SIZEOF_IFAST_MULT_TYPE)]
 162         movdqa  xmm2, XMMWORD [XMMBLOCK(4,0,rsi,SIZEOF_JCOEF)]
 163         movdqa  xmm3, XMMWORD [XMMBLOCK(6,0,rsi,SIZEOF_JCOEF)]
 164         pmullw  xmm2, XMMWORD [XMMBLOCK(4,0,rdx,SIZEOF_IFAST_MULT_TYPE)]
 165         pmullw  xmm3, XMMWORD [XMMBLOCK(6,0,rdx,SIZEOF_IFAST_MULT_TYPE)]
 166
 167         movdqa  xmm4,xmm0
 168         movdqa  xmm5,xmm1
 169         psubw   xmm0,xmm2               ; xmm0=tmp11
 170         psubw   xmm1,xmm3
 171         paddw   xmm4,xmm2               ; xmm4=tmp10
 172         paddw   xmm5,xmm3               ; xmm5=tmp13
 173
 174         psllw   xmm1,PRE_MULTIPLY_SCALE_BITS
 175         pmulhw  xmm1,[rel PW_F1414]
 176         psubw   xmm1,xmm5               ; xmm1=tmp12
 177
 178         movdqa  xmm6,xmm4
 179         movdqa  xmm7,xmm0
 180         psubw   xmm4,xmm5               ; xmm4=tmp3
 181         psubw   xmm0,xmm1               ; xmm0=tmp2
 182         paddw   xmm6,xmm5               ; xmm6=tmp0
 183         paddw   xmm7,xmm1               ; xmm7=tmp1
 184
 185         movdqa  XMMWORD [wk(1)], xmm4   ; wk(1)=tmp3
 186         movdqa  XMMWORD [wk(0)], xmm0   ; wk(0)=tmp2
 187
 188         ; -- Odd part
 189
 190         movdqa  xmm2, XMMWORD [XMMBLOCK(1,0,rsi,SIZEOF_JCOEF)]
 191         movdqa  xmm3, XMMWORD [XMMBLOCK(3,0,rsi,SIZEOF_JCOEF)]
 192         pmullw  xmm2, XMMWORD [XMMBLOCK(1,0,rdx,SIZEOF_IFAST_MULT_TYPE)]
 193         pmullw  xmm3, XMMWORD [XMMBLOCK(3,0,rdx,SIZEOF_IFAST_MULT_TYPE)]
 194         movdqa  xmm5, XMMWORD [XMMBLOCK(5,0,rsi,SIZEOF_JCOEF)]
 195         movdqa  xmm1, XMMWORD [XMMBLOCK(7,0,rsi,SIZEOF_JCOEF)]
 196         pmullw  xmm5, XMMWORD [XMMBLOCK(5,0,rdx,SIZEOF_IFAST_MULT_TYPE)]
 197         pmullw  xmm1, XMMWORD [XMMBLOCK(7,0,rdx,SIZEOF_IFAST_MULT_TYPE)]
 198
 199         movdqa  xmm4,xmm2
 200         movdqa  xmm0,xmm5
 201         psubw   xmm2,xmm1               ; xmm2=z12
 202         psubw   xmm5,xmm3               ; xmm5=z10
 203         paddw   xmm4,xmm1               ; xmm4=z11
 204         paddw   xmm0,xmm3               ; xmm0=z13
 205
 206         movdqa  xmm1,xmm5               ; xmm1=z10(unscaled)
 207         psllw   xmm2,PRE_MULTIPLY_SCALE_BITS
 208         psllw   xmm5,PRE_MULTIPLY_SCALE_BITS
 209
 210         movdqa  xmm3,xmm4
 211         psubw   xmm4,xmm0
 212         paddw   xmm3,xmm0               ; xmm3=tmp7
 213
 214         psllw   xmm4,PRE_MULTIPLY_SCALE_BITS
 215         pmulhw  xmm4,[rel PW_F1414]     ; xmm4=tmp11
 216
 217         ; To avoid overflow...
 218         ;
 219         ; (Original)
 220         ; tmp12 = -2.613125930 * z10 + z5;
 221         ;
 222         ; (This implementation)
 223         ; tmp12 = (-1.613125930 - 1) * z10 + z5;
 224         ;       = -1.613125930 * z10 - z10 + z5;
 225
 226         movdqa  xmm0,xmm5
 227         paddw   xmm5,xmm2
 228         pmulhw  xmm5,[rel PW_F1847]     ; xmm5=z5
 229         pmulhw  xmm0,[rel PW_MF1613]
 230         pmulhw  xmm2,[rel PW_F1082]
 231         psubw   xmm0,xmm1
 232         psubw   xmm2,xmm5               ; xmm2=tmp10
 233         paddw   xmm0,xmm5               ; xmm0=tmp12
 234
 235         ; -- Final output stage
 236
 237         psubw   xmm0,xmm3               ; xmm0=tmp6
 238         movdqa  xmm1,xmm6
 239         movdqa  xmm5,xmm7
 240         paddw   xmm6,xmm3               ; xmm6=data0=(00 01 02 03 04 05 06 07)
 241         paddw   xmm7,xmm0               ; xmm7=data1=(10 11 12 13 14 15 16 17)
 242         psubw   xmm1,xmm3               ; xmm1=data7=(70 71 72 73 74 75 76 77)
 243         psubw   xmm5,xmm0               ; xmm5=data6=(60 61 62 63 64 65 66 67)
 244         psubw   xmm4,xmm0               ; xmm4=tmp5
 245
 246         movdqa    xmm3,xmm6             ; transpose coefficients(phase 1)
 247         punpcklwd xmm6,xmm7             ; xmm6=(00 10 01 11 02 12 03 13)
 248         punpckhwd xmm3,xmm7             ; xmm3=(04 14 05 15 06 16 07 17)
 249         movdqa    xmm0,xmm5             ; transpose coefficients(phase 1)
 250         punpcklwd xmm5,xmm1             ; xmm5=(60 70 61 71 62 72 63 73)
 251         punpckhwd xmm0,xmm1             ; xmm0=(64 74 65 75 66 76 67 77)
 252
 253         movdqa  xmm7, XMMWORD [wk(0)]   ; xmm7=tmp2
 254         movdqa  xmm1, XMMWORD [wk(1)]   ; xmm1=tmp3
 255
 256         movdqa  XMMWORD [wk(0)], xmm5   ; wk(0)=(60 70 61 71 62 72 63 73)
 257         movdqa  XMMWORD [wk(1)], xmm0   ; wk(1)=(64 74 65 75 66 76 67 77)
 258
 259         paddw   xmm2,xmm4               ; xmm2=tmp4
 260         movdqa  xmm5,xmm7
 261         movdqa  xmm0,xmm1
 262         paddw   xmm7,xmm4               ; xmm7=data2=(20 21 22 23 24 25 26 27)
 263         paddw   xmm1,xmm2               ; xmm1=data4=(40 41 42 43 44 45 46 47)
 264         psubw   xmm5,xmm4               ; xmm5=data5=(50 51 52 53 54 55 56 57)
 265         psubw   xmm0,xmm2               ; xmm0=data3=(30 31 32 33 34 35 36 37)
 266
 267         movdqa    xmm4,xmm7             ; transpose coefficients(phase 1)
 268         punpcklwd xmm7,xmm0             ; xmm7=(20 30 21 31 22 32 23 33)
 269         punpckhwd xmm4,xmm0             ; xmm4=(24 34 25 35 26 36 27 37)
 270         movdqa    xmm2,xmm1             ; transpose coefficients(phase 1)
 271         punpcklwd xmm1,xmm5             ; xmm1=(40 50 41 51 42 52 43 53)
 272         punpckhwd xmm2,xmm5             ; xmm2=(44 54 45 55 46 56 47 57)
 273
 274         movdqa    xmm0,xmm3             ; transpose coefficients(phase 2)
 275         punpckldq xmm3,xmm4             ; xmm3=(04 14 24 34 05 15 25 35)
 276         punpckhdq xmm0,xmm4             ; xmm0=(06 16 26 36 07 17 27 37)
 277         movdqa    xmm5,xmm6             ; transpose coefficients(phase 2)
 278         punpckldq xmm6,xmm7             ; xmm6=(00 10 20 30 01 11 21 31)
 279         punpckhdq xmm5,xmm7             ; xmm5=(02 12 22 32 03 13 23 33)
 280
 281         movdqa  xmm4, XMMWORD [wk(0)]   ; xmm4=(60 70 61 71 62 72 63 73)
 282         movdqa  xmm7, XMMWORD [wk(1)]   ; xmm7=(64 74 65 75 66 76 67 77)
 283
 284         movdqa  XMMWORD [wk(0)], xmm3   ; wk(0)=(04 14 24 34 05 15 25 35)
 285         movdqa  XMMWORD [wk(1)], xmm0   ; wk(1)=(06 16 26 36 07 17 27 37)
 286
 287         movdqa    xmm3,xmm1             ; transpose coefficients(phase 2)
 288         punpckldq xmm1,xmm4             ; xmm1=(40 50 60 70 41 51 61 71)
 289         punpckhdq xmm3,xmm4             ; xmm3=(42 52 62 72 43 53 63 73)
 290         movdqa    xmm0,xmm2             ; transpose coefficients(phase 2)
 291         punpckldq xmm2,xmm7             ; xmm2=(44 54 64 74 45 55 65 75)
 292         punpckhdq xmm0,xmm7             ; xmm0=(46 56 66 76 47 57 67 77)
 293
 294         movdqa     xmm4,xmm6            ; transpose coefficients(phase 3)
 295         punpcklqdq xmm6,xmm1            ; xmm6=col0=(00 10 20 30 40 50 60 70)
 296         punpckhqdq xmm4,xmm1            ; xmm4=col1=(01 11 21 31 41 51 61 71)
 297         movdqa     xmm7,xmm5            ; transpose coefficients(phase 3)
 298         punpcklqdq xmm5,xmm3            ; xmm5=col2=(02 12 22 32 42 52 62 72)
 299         punpckhqdq xmm7,xmm3            ; xmm7=col3=(03 13 23 33 43 53 63 73)
 300
 301         movdqa  xmm1, XMMWORD [wk(0)]   ; xmm1=(04 14 24 34 05 15 25 35)
 302         movdqa  xmm3, XMMWORD [wk(1)]   ; xmm3=(06 16 26 36 07 17 27 37)
 303
 304         movdqa  XMMWORD [wk(0)], xmm4   ; wk(0)=col1
 305         movdqa  XMMWORD [wk(1)], xmm7   ; wk(1)=col3
 306
 307         movdqa     xmm4,xmm1            ; transpose coefficients(phase 3)
 308         punpcklqdq xmm1,xmm2            ; xmm1=col4=(04 14 24 34 44 54 64 74)
 309         punpckhqdq xmm4,xmm2            ; xmm4=col5=(05 15 25 35 45 55 65 75)
 310         movdqa     xmm7,xmm3            ; transpose coefficients(phase 3)
 311         punpcklqdq xmm3,xmm0            ; xmm3=col6=(06 16 26 36 46 56 66 76)
 312         punpckhqdq xmm7,xmm0            ; xmm7=col7=(07 17 27 37 47 57 67 77)
 313 .column_end:
 314
 315         ; -- Prefetch the next coefficient block
 316
 317         prefetchnta [rsi + DCTSIZE2*SIZEOF_JCOEF + 0*32]
 318         prefetchnta [rsi + DCTSIZE2*SIZEOF_JCOEF + 1*32]
 319         prefetchnta [rsi + DCTSIZE2*SIZEOF_JCOEF + 2*32]
 320         prefetchnta [rsi + DCTSIZE2*SIZEOF_JCOEF + 3*32]
 321
 322         ; ---- Pass 2: process rows from work array, store into output array.
 323
 324         mov     rax, [original_rbp]
 325         mov     rdi, r12        ; (JSAMPROW *)
 326         mov     rax, r13
 327
 328         ; -- Even part
 329
 330         ; xmm6=col0, xmm5=col2, xmm1=col4, xmm3=col6
 331
 332         movdqa  xmm2,xmm6
 333         movdqa  xmm0,xmm5
 334         psubw   xmm6,xmm1               ; xmm6=tmp11
 335         psubw   xmm5,xmm3
 336         paddw   xmm2,xmm1               ; xmm2=tmp10
 337         paddw   xmm0,xmm3               ; xmm0=tmp13
 338
 339         psllw   xmm5,PRE_MULTIPLY_SCALE_BITS
 340         pmulhw  xmm5,[rel PW_F1414]
 341         psubw   xmm5,xmm0               ; xmm5=tmp12
 342
 343         movdqa  xmm1,xmm2
 344         movdqa  xmm3,xmm6
 345         psubw   xmm2,xmm0               ; xmm2=tmp3
 346         psubw   xmm6,xmm5               ; xmm6=tmp2
 347         paddw   xmm1,xmm0               ; xmm1=tmp0
 348         paddw   xmm3,xmm5               ; xmm3=tmp1
 349
 350         movdqa  xmm0, XMMWORD [wk(0)]   ; xmm0=col1
 351         movdqa  xmm5, XMMWORD [wk(1)]   ; xmm5=col3
 352
 353         movdqa  XMMWORD [wk(0)], xmm2   ; wk(0)=tmp3
 354         movdqa  XMMWORD [wk(1)], xmm6   ; wk(1)=tmp2
 355
 356         ; -- Odd part
 357
 358         ; xmm0=col1, xmm5=col3, xmm4=col5, xmm7=col7
 359
 360         movdqa  xmm2,xmm0
 361         movdqa  xmm6,xmm4
 362         psubw   xmm0,xmm7               ; xmm0=z12
 363         psubw   xmm4,xmm5               ; xmm4=z10
 364         paddw   xmm2,xmm7               ; xmm2=z11
 365         paddw   xmm6,xmm5               ; xmm6=z13
 366
 367         movdqa  xmm7,xmm4               ; xmm7=z10(unscaled)
 368         psllw   xmm0,PRE_MULTIPLY_SCALE_BITS
 369         psllw   xmm4,PRE_MULTIPLY_SCALE_BITS
 370
 371         movdqa  xmm5,xmm2
 372         psubw   xmm2,xmm6
 373         paddw   xmm5,xmm6               ; xmm5=tmp7
 374
 375         psllw   xmm2,PRE_MULTIPLY_SCALE_BITS
 376         pmulhw  xmm2,[rel PW_F1414]     ; xmm2=tmp11
 377
 378         ; To avoid overflow...
 379         ;
 380         ; (Original)
 381         ; tmp12 = -2.613125930 * z10 + z5;
 382         ;
 383         ; (This implementation)
 384         ; tmp12 = (-1.613125930 - 1) * z10 + z5;
 385         ;       = -1.613125930 * z10 - z10 + z5;
 386
 387         movdqa  xmm6,xmm4
 388         paddw   xmm4,xmm0
 389         pmulhw  xmm4,[rel PW_F1847]     ; xmm4=z5
 390         pmulhw  xmm6,[rel PW_MF1613]
 391         pmulhw  xmm0,[rel PW_F1082]
 392         psubw   xmm6,xmm7
 393         psubw   xmm0,xmm4               ; xmm0=tmp10
 394         paddw   xmm6,xmm4               ; xmm6=tmp12
 395
 396         ; -- Final output stage
 397
 398         psubw   xmm6,xmm5               ; xmm6=tmp6
 399         movdqa  xmm7,xmm1
 400         movdqa  xmm4,xmm3
 401         paddw   xmm1,xmm5               ; xmm1=data0=(00 10 20 30 40 50 60 70)
 402         paddw   xmm3,xmm6               ; xmm3=data1=(01 11 21 31 41 51 61 71)
 403         psraw   xmm1,(PASS1_BITS+3)     ; descale
 404         psraw   xmm3,(PASS1_BITS+3)     ; descale
 405         psubw   xmm7,xmm5               ; xmm7=data7=(07 17 27 37 47 57 67 77)
 406         psubw   xmm4,xmm6               ; xmm4=data6=(06 16 26 36 46 56 66 76)
 407         psraw   xmm7,(PASS1_BITS+3)     ; descale
 408         psraw   xmm4,(PASS1_BITS+3)     ; descale
 409         psubw   xmm2,xmm6               ; xmm2=tmp5
 410
 411         packsswb  xmm1,xmm4     ; xmm1=(00 10 20 30 40 50 60 70 06 16 26 36 46 56 66 76)
 412         packsswb  xmm3,xmm7     ; xmm3=(01 11 21 31 41 51 61 71 07 17 27 37 47 57 67 77)
 413
 414         movdqa  xmm5, XMMWORD [wk(1)]   ; xmm5=tmp2
 415         movdqa  xmm6, XMMWORD [wk(0)]   ; xmm6=tmp3
 416
 417         paddw   xmm0,xmm2               ; xmm0=tmp4
 418         movdqa  xmm4,xmm5
 419         movdqa  xmm7,xmm6
 420         paddw   xmm5,xmm2               ; xmm5=data2=(02 12 22 32 42 52 62 72)
 421         paddw   xmm6,xmm0               ; xmm6=data4=(04 14 24 34 44 54 64 74)
 422         psraw   xmm5,(PASS1_BITS+3)     ; descale
 423         psraw   xmm6,(PASS1_BITS+3)     ; descale
 424         psubw   xmm4,xmm2               ; xmm4=data5=(05 15 25 35 45 55 65 75)
 425         psubw   xmm7,xmm0               ; xmm7=data3=(03 13 23 33 43 53 63 73)
 426         psraw   xmm4,(PASS1_BITS+3)     ; descale
 427         psraw   xmm7,(PASS1_BITS+3)     ; descale
 428
 429         movdqa    xmm2,[rel PB_CENTERJSAMP]     ; xmm2=[rel PB_CENTERJSAMP]
 430
 431         packsswb  xmm5,xmm6     ; xmm5=(02 12 22 32 42 52 62 72 04 14 24 34 44 54 64 74)
 432         packsswb  xmm7,xmm4     ; xmm7=(03 13 23 33 43 53 63 73 05 15 25 35 45 55 65 75)
 433
 434         paddb     xmm1,xmm2
 435         paddb     xmm3,xmm2
 436         paddb     xmm5,xmm2
 437         paddb     xmm7,xmm2
 438
 439         movdqa    xmm0,xmm1     ; transpose coefficients(phase 1)
 440         punpcklbw xmm1,xmm3     ; xmm1=(00 01 10 11 20 21 30 31 40 41 50 51 60 61 70 71)
 441         punpckhbw xmm0,xmm3     ; xmm0=(06 07 16 17 26 27 36 37 46 47 56 57 66 67 76 77)
 442         movdqa    xmm6,xmm5     ; transpose coefficients(phase 1)
 443         punpcklbw xmm5,xmm7     ; xmm5=(02 03 12 13 22 23 32 33 42 43 52 53 62 63 72 73)
 444         punpckhbw xmm6,xmm7     ; xmm6=(04 05 14 15 24 25 34 35 44 45 54 55 64 65 74 75)
 445
 446         movdqa    xmm4,xmm1     ; transpose coefficients(phase 2)
 447         punpcklwd xmm1,xmm5     ; xmm1=(00 01 02 03 10 11 12 13 20 21 22 23 30 31 32 33)
 448         punpckhwd xmm4,xmm5     ; xmm4=(40 41 42 43 50 51 52 53 60 61 62 63 70 71 72 73)
 449         movdqa    xmm2,xmm6     ; transpose coefficients(phase 2)
 450         punpcklwd xmm6,xmm0     ; xmm6=(04 05 06 07 14 15 16 17 24 25 26 27 34 35 36 37)
 451         punpckhwd xmm2,xmm0     ; xmm2=(44 45 46 47 54 55 56 57 64 65 66 67 74 75 76 77)
 452
 453         movdqa    xmm3,xmm1     ; transpose coefficients(phase 3)
 454         punpckldq xmm1,xmm6     ; xmm1=(00 01 02 03 04 05 06 07 10 11 12 13 14 15 16 17)
 455         punpckhdq xmm3,xmm6     ; xmm3=(20 21 22 23 24 25 26 27 30 31 32 33 34 35 36 37)
 456         movdqa    xmm7,xmm4     ; transpose coefficients(phase 3)
 457         punpckldq xmm4,xmm2     ; xmm4=(40 41 42 43 44 45 46 47 50 51 52 53 54 55 56 57)
 458         punpckhdq xmm7,xmm2     ; xmm7=(60 61 62 63 64 65 66 67 70 71 72 73 74 75 76 77)
 459
 460         pshufd  xmm5,xmm1,0x4E  ; xmm5=(10 11 12 13 14 15 16 17 00 01 02 03 04 05 06 07)
 461         pshufd  xmm0,xmm3,0x4E  ; xmm0=(30 31 32 33 34 35 36 37 20 21 22 23 24 25 26 27)
 462         pshufd  xmm6,xmm4,0x4E  ; xmm6=(50 51 52 53 54 55 56 57 40 41 42 43 44 45 46 47)
 463         pshufd  xmm2,xmm7,0x4E  ; xmm2=(70 71 72 73 74 75 76 77 60 61 62 63 64 65 66 67)
 464
 465         mov     rdx, JSAMPROW [rdi+0*SIZEOF_JSAMPROW]
 466         mov     rsi, JSAMPROW [rdi+2*SIZEOF_JSAMPROW]
 467         movq    XMM_MMWORD [rdx+rax*SIZEOF_JSAMPLE], xmm1
 468         movq    XMM_MMWORD [rsi+rax*SIZEOF_JSAMPLE], xmm3
 469         mov     rdx, JSAMPROW [rdi+4*SIZEOF_JSAMPROW]
 470         mov     rsi, JSAMPROW [rdi+6*SIZEOF_JSAMPROW]
 471         movq    XMM_MMWORD [rdx+rax*SIZEOF_JSAMPLE], xmm4
 472         movq    XMM_MMWORD [rsi+rax*SIZEOF_JSAMPLE], xmm7
 473
 474         mov     rdx, JSAMPROW [rdi+1*SIZEOF_JSAMPROW]
 475         mov     rsi, JSAMPROW [rdi+3*SIZEOF_JSAMPROW]
 476         movq    XMM_MMWORD [rdx+rax*SIZEOF_JSAMPLE], xmm5
 477         movq    XMM_MMWORD [rsi+rax*SIZEOF_JSAMPLE], xmm0
 478         mov     rdx, JSAMPROW [rdi+5*SIZEOF_JSAMPROW]
 479         mov     rsi, JSAMPROW [rdi+7*SIZEOF_JSAMPROW]
 480         movq    XMM_MMWORD [rdx+rax*SIZEOF_JSAMPLE], xmm6
 481         movq    XMM_MMWORD [rsi+rax*SIZEOF_JSAMPLE], xmm2
 482
 483         uncollect_args
 484         mov     rsp,rbp         ; rsp <- aligned rbp
 485         pop     rsp             ; rsp <- original rbp
 486         pop     rbp
 487         ret
 488         ret
 489
 490 ; For some reason, the OS X linker does not honor the request to align the
 491 ; segment unless we do this.
 492         align   16