AVX2 SubPixel AVG Variance Optimization
authorlevytamar82 <levytamar82@gmail.com>
Mon, 24 Feb 2014 06:58:56 +0000 (23:58 -0700)
committerlevytamar82 <levytamar82@gmail.com>
Sat, 1 Mar 2014 05:51:04 +0000 (22:51 -0700)
Optimizing 2 functions to process 32 elements in parallel instead of 16:
1. vp9_sub_pixel_avg_variance64x64
2. vp9_sub_pixel_avg_variance32x32
both of those function were calling vp9_sub_pixel_avg_variance16xh_ssse3
instead of calling that function, it calls vp9_sub_pixel_avg_variance32xh_avx2
that is written in avx2 and process 32 elements in parallel.
This Optimization gave 80% function level gain and 2% user level gain

Change-Id: Iea694654e1b7612dc6ed11e2626208c2179502c8

vp9/common/vp9_rtcd_defs.sh
vp9/encoder/x86/vp9_subpel_variance_impl_intrin_avx2.c
vp9/encoder/x86/vp9_variance_avx2.c

index a18ae9b..bd9571e 100644 (file)
@@ -389,7 +389,7 @@ prototype unsigned int vp9_sub_pixel_variance64x64 "const uint8_t *src_ptr, int
 specialize vp9_sub_pixel_variance64x64 $sse2_x86inc $ssse3_x86inc avx2
 
 prototype unsigned int vp9_sub_pixel_avg_variance64x64 "const uint8_t *src_ptr, int source_stride, int xoffset, int  yoffset, const uint8_t *ref_ptr, int ref_stride, unsigned int *sse, const uint8_t *second_pred"
-specialize vp9_sub_pixel_avg_variance64x64 $sse2_x86inc $ssse3_x86inc
+specialize vp9_sub_pixel_avg_variance64x64 $sse2_x86inc $ssse3_x86inc avx2
 
 prototype unsigned int vp9_sub_pixel_variance32x64 "const uint8_t *src_ptr, int source_stride, int xoffset, int  yoffset, const uint8_t *ref_ptr, int ref_stride, unsigned int *sse"
 specialize vp9_sub_pixel_variance32x64 $sse2_x86inc $ssse3_x86inc
@@ -419,7 +419,7 @@ prototype unsigned int vp9_sub_pixel_variance32x32 "const uint8_t *src_ptr, int
 specialize vp9_sub_pixel_variance32x32 $sse2_x86inc $ssse3_x86inc avx2
 
 prototype unsigned int vp9_sub_pixel_avg_variance32x32 "const uint8_t *src_ptr, int source_stride, int xoffset, int  yoffset, const uint8_t *ref_ptr, int ref_stride, unsigned int *sse, const uint8_t *second_pred"
-specialize vp9_sub_pixel_avg_variance32x32 $sse2_x86inc $ssse3_x86inc
+specialize vp9_sub_pixel_avg_variance32x32 $sse2_x86inc $ssse3_x86inc avx2
 
 prototype unsigned int vp9_sub_pixel_variance16x16 "const uint8_t *src_ptr, int source_stride, int xoffset, int  yoffset, const uint8_t *ref_ptr, int ref_stride, unsigned int *sse"
 specialize vp9_sub_pixel_variance16x16 $sse2_x86inc $ssse3_x86inc
index b8bfa89..34ed186 100644 (file)
@@ -47,6 +47,77 @@ DECLARE_ALIGNED(32, static const uint8_t, bilinear_filters_avx2[512]) = {
   1, 15, 1, 15, 1, 15, 1, 15, 1, 15, 1, 15, 1, 15, 1, 15
 };
 
+#define FILTER_SRC(filter) \
+  /* filter the source */ \
+  exp_src_lo = _mm256_maddubs_epi16(exp_src_lo, filter); \
+  exp_src_hi = _mm256_maddubs_epi16(exp_src_hi, filter); \
+  \
+  /* add 8 to source */ \
+  exp_src_lo = _mm256_add_epi16(exp_src_lo, pw8); \
+  exp_src_hi = _mm256_add_epi16(exp_src_hi, pw8); \
+  \
+  /* divide source by 16 */ \
+  exp_src_lo = _mm256_srai_epi16(exp_src_lo, 4); \
+  exp_src_hi = _mm256_srai_epi16(exp_src_hi, 4);
+
+#define MERGE_WITH_SRC(src_reg, reg) \
+  exp_src_lo = _mm256_unpacklo_epi8(src_reg, reg); \
+  exp_src_hi = _mm256_unpackhi_epi8(src_reg, reg);
+
+#define LOAD_SRC_DST \
+  /* load source and destination */ \
+  src_reg = _mm256_loadu_si256((__m256i const *) (src)); \
+  dst_reg = _mm256_load_si256((__m256i const *) (dst));
+
+#define AVG_NEXT_SRC(src_reg, size_stride) \
+  src_next_reg = _mm256_loadu_si256((__m256i const *) \
+                                   (src + size_stride)); \
+  /* average between current and next stride source */ \
+  src_reg = _mm256_avg_epu8(src_reg, src_next_reg);
+
+#define MERGE_NEXT_SRC(src_reg, size_stride) \
+  src_next_reg = _mm256_loadu_si256((__m256i const *) \
+                                   (src + size_stride)); \
+  MERGE_WITH_SRC(src_reg, src_next_reg)
+
+#define CALC_SUM_SSE_INSIDE_LOOP \
+  /* expand each byte to 2 bytes */ \
+  exp_dst_lo = _mm256_unpacklo_epi8(dst_reg, zero_reg); \
+  exp_dst_hi = _mm256_unpackhi_epi8(dst_reg, zero_reg); \
+  /* source - dest */ \
+  exp_src_lo = _mm256_sub_epi16(exp_src_lo, exp_dst_lo); \
+  exp_src_hi = _mm256_sub_epi16(exp_src_hi, exp_dst_hi); \
+  /* caculate sum */ \
+  sum_reg = _mm256_add_epi16(sum_reg, exp_src_lo); \
+  exp_src_lo = _mm256_madd_epi16(exp_src_lo, exp_src_lo); \
+  sum_reg = _mm256_add_epi16(sum_reg, exp_src_hi); \
+  exp_src_hi = _mm256_madd_epi16(exp_src_hi, exp_src_hi); \
+  /* calculate sse */ \
+  sse_reg = _mm256_add_epi32(sse_reg, exp_src_lo); \
+  sse_reg = _mm256_add_epi32(sse_reg, exp_src_hi);
+
+// final calculation to sum and sse
+#define CALC_SUM_AND_SSE \
+  res_cmp = _mm256_cmpgt_epi16(zero_reg, sum_reg); \
+  sse_reg_hi = _mm256_srli_si256(sse_reg, 8); \
+  sum_reg_lo = _mm256_unpacklo_epi16(sum_reg, res_cmp); \
+  sum_reg_hi = _mm256_unpackhi_epi16(sum_reg, res_cmp); \
+  sse_reg = _mm256_add_epi32(sse_reg, sse_reg_hi); \
+  sum_reg = _mm256_add_epi32(sum_reg_lo, sum_reg_hi); \
+  \
+  sse_reg_hi = _mm256_srli_si256(sse_reg, 4); \
+  sum_reg_hi = _mm256_srli_si256(sum_reg, 8); \
+  \
+  sse_reg = _mm256_add_epi32(sse_reg, sse_reg_hi); \
+  sum_reg = _mm256_add_epi32(sum_reg, sum_reg_hi); \
+  *((int*)sse)= _mm_cvtsi128_si32(_mm256_castsi256_si128(sse_reg)) + \
+                _mm_cvtsi128_si32(_mm256_extractf128_si256(sse_reg, 1)); \
+  sum_reg_hi = _mm256_srli_si256(sum_reg, 4); \
+  sum_reg = _mm256_add_epi32(sum_reg, sum_reg_hi); \
+  sum = _mm_cvtsi128_si32(_mm256_castsi256_si128(sum_reg)) + \
+        _mm_cvtsi128_si32(_mm256_extractf128_si256(sum_reg, 1));
+
+
 unsigned int vp9_sub_pixel_variance32xh_avx2(const uint8_t *src,
                                              int src_stride,
                                              int x_offset,
@@ -55,587 +126,414 @@ unsigned int vp9_sub_pixel_variance32xh_avx2(const uint8_t *src,
                                              int dst_stride,
                                              int height,
                                              unsigned int *sse) {
-  __m256i src_reg,  dst_reg,  exp_src_lo,  exp_src_hi,  exp_dst_lo,  exp_dst_hi;
-  __m256i sse_reg,  sum_reg,  sse_reg_hi,  res_cmp,  sum_reg_lo,  sum_reg_hi;
+  __m256i src_reg, dst_reg, exp_src_lo, exp_src_hi, exp_dst_lo, exp_dst_hi;
+  __m256i sse_reg, sum_reg, sse_reg_hi, res_cmp, sum_reg_lo, sum_reg_hi;
   __m256i zero_reg;
   int i, sum;
   sum_reg = _mm256_set1_epi16(0);
   sse_reg = _mm256_set1_epi16(0);
   zero_reg = _mm256_set1_epi16(0);
 
+  // x_offset = 0 and y_offset = 0
   if (x_offset == 0) {
-    // x_offset = 0 and y_offset = 0
     if (y_offset == 0) {
       for (i = 0; i < height ; i++) {
-        // load source and destination
-        src_reg = _mm256_loadu_si256((__m256i const *) (src));
-        dst_reg = _mm256_load_si256((__m256i const *) (dst));
-
+        LOAD_SRC_DST
         // expend each byte to 2 bytes
-        exp_src_lo = _mm256_unpacklo_epi8(src_reg, zero_reg);
-        exp_src_hi = _mm256_unpackhi_epi8(src_reg, zero_reg);
-
-        exp_dst_lo = _mm256_unpacklo_epi8(dst_reg, zero_reg);
-        exp_dst_hi = _mm256_unpackhi_epi8(dst_reg, zero_reg);
-
-        // source - dest
-        exp_src_lo = _mm256_sub_epi16(exp_src_lo, exp_dst_lo);
-        exp_src_hi = _mm256_sub_epi16(exp_src_hi, exp_dst_hi);
-
-        // calculate sum
-        sum_reg = _mm256_add_epi16(sum_reg, exp_src_lo);
-        exp_src_lo = _mm256_madd_epi16(exp_src_lo, exp_src_lo);
-        sum_reg = _mm256_add_epi16(sum_reg, exp_src_hi);
-        exp_src_hi = _mm256_madd_epi16(exp_src_hi, exp_src_hi);
-
-        // calculate sse
-        sse_reg = _mm256_add_epi32(sse_reg, exp_src_lo);
-        sse_reg = _mm256_add_epi32(sse_reg, exp_src_hi);
-
+        MERGE_WITH_SRC(src_reg, zero_reg)
+        CALC_SUM_SSE_INSIDE_LOOP
         src+= src_stride;
         dst+= dst_stride;
       }
     // x_offset = 0 and y_offset = 8
     } else if (y_offset == 8) {
-        __m256i src_next_reg;
-        for (i = 0; i < height ; i++) {
-          // load source + next source + destination
-          src_reg = _mm256_loadu_si256((__m256i const *) (src));
-          src_next_reg = _mm256_loadu_si256((__m256i const *)
-                                         (src + src_stride));
-          dst_reg = _mm256_load_si256((__m256i const *) (dst));
-          // average between current and next stride source
-          src_reg = _mm256_avg_epu8(src_reg, src_next_reg);
-
-          // expend each byte to 2 bytes
-          exp_src_lo = _mm256_unpacklo_epi8(src_reg, zero_reg);
-          exp_src_hi = _mm256_unpackhi_epi8(src_reg, zero_reg);
-
-          exp_dst_lo = _mm256_unpacklo_epi8(dst_reg, zero_reg);
-          exp_dst_hi = _mm256_unpackhi_epi8(dst_reg, zero_reg);
-
-          // source - dest
-          exp_src_lo = _mm256_sub_epi16(exp_src_lo, exp_dst_lo);
-          exp_src_hi = _mm256_sub_epi16(exp_src_hi, exp_dst_hi);
-
-          // calculate sum
-          sum_reg = _mm256_add_epi16(sum_reg, exp_src_lo);
-          exp_src_lo = _mm256_madd_epi16(exp_src_lo, exp_src_lo);
-          sum_reg = _mm256_add_epi16(sum_reg, exp_src_hi);
-          exp_src_hi = _mm256_madd_epi16(exp_src_hi, exp_src_hi);
-          sse_reg = _mm256_add_epi32(sse_reg, exp_src_lo);
-
-          // calculate sse
-          sse_reg = _mm256_add_epi32(sse_reg, exp_src_hi);
-
-          src+= src_stride;
-          dst+= dst_stride;
-        }
+      __m256i src_next_reg;
+      for (i = 0; i < height ; i++) {
+        LOAD_SRC_DST
+        AVG_NEXT_SRC(src_reg, src_stride)
+        // expend each byte to 2 bytes
+        MERGE_WITH_SRC(src_reg, zero_reg)
+        CALC_SUM_SSE_INSIDE_LOOP
+        src+= src_stride;
+        dst+= dst_stride;
+      }
     // x_offset = 0 and y_offset = bilin interpolation
     } else {
-        __m256i filter, pw8, src_next_reg;
-#if (ARCH_X86_64)
-        int64_t y_offset64;
-        y_offset64 = y_offset;
-        y_offset64 <<= 5;
-        filter = _mm256_load_si256(
-            (__m256i const *)(bilinear_filters_avx2 + y_offset64));
-#else
-        y_offset <<= 5;
-        filter = _mm256_load_si256(
-            (__m256i const *)(bilinear_filters_avx2 + y_offset));
-#endif
-        pw8 = _mm256_set1_epi16(8);
-        for (i = 0; i < height ; i++) {
-          // load current and next source + destination
-          src_reg = _mm256_loadu_si256((__m256i const *) (src));
-          src_next_reg = _mm256_loadu_si256((__m256i const *)
-                          (src + src_stride));
-          dst_reg = _mm256_load_si256((__m256i const *) (dst));
-
-          // merge current and next source
-          exp_src_lo = _mm256_unpacklo_epi8(src_reg, src_next_reg);
-          exp_src_hi = _mm256_unpackhi_epi8(src_reg, src_next_reg);
-
-          // filter the source
-          exp_src_lo = _mm256_maddubs_epi16(exp_src_lo, filter);
-          exp_src_hi = _mm256_maddubs_epi16(exp_src_hi, filter);
-
-          // add 8 to the source
-          exp_src_lo = _mm256_add_epi16(exp_src_lo, pw8);
-          exp_src_hi = _mm256_add_epi16(exp_src_hi, pw8);
-
-          // divide by 16
-          exp_src_lo = _mm256_srai_epi16(exp_src_lo, 4);
-          exp_src_hi = _mm256_srai_epi16(exp_src_hi, 4);
-
-          // expand each byte to 2 byte in the destination
-          exp_dst_lo = _mm256_unpacklo_epi8(dst_reg, zero_reg);
-          exp_dst_hi = _mm256_unpackhi_epi8(dst_reg, zero_reg);
+      __m256i filter, pw8, src_next_reg;
 
-          // source - dest
-          exp_src_lo = _mm256_sub_epi16(exp_src_lo, exp_dst_lo);
-          exp_src_hi = _mm256_sub_epi16(exp_src_hi, exp_dst_hi);
-
-          // calculate sum
-          sum_reg = _mm256_add_epi16(sum_reg, exp_src_lo);
-          exp_src_lo = _mm256_madd_epi16(exp_src_lo, exp_src_lo);
-          sum_reg = _mm256_add_epi16(sum_reg, exp_src_hi);
-          exp_src_hi = _mm256_madd_epi16(exp_src_hi, exp_src_hi);
-
-          // calculate sse
-          sse_reg = _mm256_add_epi32(sse_reg, exp_src_lo);
-          sse_reg = _mm256_add_epi32(sse_reg, exp_src_hi);
-
-          src+= src_stride;
-          dst+= dst_stride;
-        }
+      y_offset <<= 5;
+      filter = _mm256_load_si256((__m256i const *)
+               (bilinear_filters_avx2 + y_offset));
+      pw8 = _mm256_set1_epi16(8);
+      for (i = 0; i < height ; i++) {
+        LOAD_SRC_DST
+        MERGE_NEXT_SRC(src_reg, src_stride)
+        FILTER_SRC(filter)
+        CALC_SUM_SSE_INSIDE_LOOP
+        src+= src_stride;
+        dst+= dst_stride;
+      }
     }
   // x_offset = 8  and y_offset = 0
   } else if (x_offset == 8) {
-      if (y_offset == 0) {
-        __m256i src_next_reg;
-        for (i = 0; i < height ; i++) {
-          // load source and another source starting from the next
-          // following byte + destination
-          src_reg = _mm256_loadu_si256((__m256i const *) (src));
-          src_next_reg = _mm256_loadu_si256((__m256i const *) (src + 1));
-          dst_reg = _mm256_load_si256((__m256i const *) (dst));
-
-          // average between source and the next byte following source
-          src_reg = _mm256_avg_epu8(src_reg, src_next_reg);
-
-          // expand each byte to 2 bytes
-          exp_src_lo = _mm256_unpacklo_epi8(src_reg, zero_reg);
-          exp_src_hi = _mm256_unpackhi_epi8(src_reg, zero_reg);
-
-          exp_dst_lo = _mm256_unpacklo_epi8(dst_reg, zero_reg);
-          exp_dst_hi = _mm256_unpackhi_epi8(dst_reg, zero_reg);
-
-          // source - dest
-          exp_src_lo = _mm256_sub_epi16(exp_src_lo, exp_dst_lo);
-          exp_src_hi = _mm256_sub_epi16(exp_src_hi, exp_dst_hi);
-
-          // calculate sum
-          sum_reg = _mm256_add_epi16(sum_reg, exp_src_lo);
-          exp_src_lo = _mm256_madd_epi16(exp_src_lo, exp_src_lo);
-          sum_reg = _mm256_add_epi16(sum_reg, exp_src_hi);
-          exp_src_hi = _mm256_madd_epi16(exp_src_hi, exp_src_hi);
-
-          // calculate sse
-          sse_reg = _mm256_add_epi32(sse_reg, exp_src_lo);
-          sse_reg = _mm256_add_epi32(sse_reg, exp_src_hi);
-
-          src+= src_stride;
-          dst+= dst_stride;
-        }
-      // x_offset = 8  and y_offset = 8
-      } else if (y_offset == 8) {
-          __m256i src_next_reg, src_avg;
-          // load source and another source starting from the next
-          // following byte
-          src_reg = _mm256_loadu_si256((__m256i const *) (src));
-          src_next_reg = _mm256_loadu_si256((__m256i const *) (src + 1));
-
-          // average between source and the next byte following source
-          src_avg = _mm256_avg_epu8(src_reg, src_next_reg);
-          for (i = 0; i < height ; i++) {
-            src+= src_stride;
-            // load source and another source starting from the next
-            // following byte + destination
-            src_reg = _mm256_loadu_si256((__m256i const *) (src));
-            src_next_reg = _mm256_loadu_si256((__m256i const *) (src + 1));
-            dst_reg = _mm256_load_si256((__m256i const *) (dst));
-            // average between source and the next byte following source
-            src_reg = _mm256_avg_epu8(src_reg, src_next_reg);
-
-            // expand each byte to 2 bytes
-            exp_dst_lo = _mm256_unpacklo_epi8(dst_reg, zero_reg);
-            exp_dst_hi = _mm256_unpackhi_epi8(dst_reg, zero_reg);
-
-            // average between previous average to current average
-            src_avg = _mm256_avg_epu8(src_avg, src_reg);
-            // expand each byte to 2 bytes
-            exp_src_lo = _mm256_unpacklo_epi8(src_avg, zero_reg);
-            exp_src_hi = _mm256_unpackhi_epi8(src_avg, zero_reg);
-
-            // save current source average
-            src_avg = src_reg;
-            // source - dest
-            exp_src_lo = _mm256_sub_epi16(exp_src_lo, exp_dst_lo);
-            exp_src_hi = _mm256_sub_epi16(exp_src_hi, exp_dst_hi);
-
-            // calculate sum
-            sum_reg = _mm256_add_epi16(sum_reg, exp_src_lo);
-            exp_src_lo = _mm256_madd_epi16(exp_src_lo, exp_src_lo);
-            sum_reg = _mm256_add_epi16(sum_reg, exp_src_hi);
-            exp_src_hi = _mm256_madd_epi16(exp_src_hi, exp_src_hi);
-
-            // calculate sse
-            sse_reg = _mm256_add_epi32(sse_reg, exp_src_lo);
-            sse_reg = _mm256_add_epi32(sse_reg, exp_src_hi);
-
-            dst+= dst_stride;
-          }
-      // x_offset = 8  and y_offset = bilin interpolation
-      } else {
-          __m256i filter, pw8, src_next_reg, src_avg;
-#if (ARCH_X86_64)
-          int64_t y_offset64;
-          y_offset64 = y_offset;
-          y_offset64 <<= 5;
-          filter = _mm256_load_si256(
-              (__m256i const *)(bilinear_filters_avx2 + y_offset64));
-#else
-          y_offset <<= 5;
-          filter = _mm256_load_si256(
-              (__m256i const *)(bilinear_filters_avx2 + y_offset));
-#endif
-          pw8 = _mm256_set1_epi16(8);
-          // load source and another source starting from the next
-          // following byte
-          src_reg = _mm256_loadu_si256((__m256i const *) (src));
-          src_next_reg = _mm256_loadu_si256((__m256i const *) (src + 1));
-          // average between source and the next byte following source
-          src_avg = _mm256_avg_epu8(src_reg, src_next_reg);
-          for (i = 0; i < height ; i++) {
-            src+= src_stride;
-            // load source and another source starting from the next
-            // following byte + destination
-            src_reg = _mm256_loadu_si256((__m256i const *) (src));
-            src_next_reg = _mm256_loadu_si256((__m256i const *) (src + 1));
-            dst_reg = _mm256_load_si256((__m256i const *) (dst));
-            // average between source and the next byte following source
-            src_reg = _mm256_avg_epu8(src_reg, src_next_reg);
-
-            // merge previous average and current average
-            exp_src_lo = _mm256_unpacklo_epi8(src_avg, src_reg);
-            exp_src_hi = _mm256_unpackhi_epi8(src_avg, src_reg);
-
-            // filter the source
-            exp_src_lo = _mm256_maddubs_epi16(exp_src_lo, filter);
-            exp_src_hi = _mm256_maddubs_epi16(exp_src_hi, filter);
-
-            // add 8 to the source
-            exp_src_lo = _mm256_add_epi16(exp_src_lo, pw8);
-            exp_src_hi = _mm256_add_epi16(exp_src_hi, pw8);
-
-            // divide the source by 16
-            exp_src_lo = _mm256_srai_epi16(exp_src_lo, 4);
-            exp_src_hi = _mm256_srai_epi16(exp_src_hi, 4);
-
-            // expand each byte to 2 bytes
-            exp_dst_lo = _mm256_unpacklo_epi8(dst_reg, zero_reg);
-            exp_dst_hi = _mm256_unpackhi_epi8(dst_reg, zero_reg);
-
-            // save current source average
-            src_avg = src_reg;
-            // source - dest
-            exp_src_lo = _mm256_sub_epi16(exp_src_lo, exp_dst_lo);
-            exp_src_hi = _mm256_sub_epi16(exp_src_hi, exp_dst_hi);
-
-            // calculate sum
-            sum_reg = _mm256_add_epi16(sum_reg, exp_src_lo);
-            exp_src_lo = _mm256_madd_epi16(exp_src_lo, exp_src_lo);
-            sum_reg = _mm256_add_epi16(sum_reg, exp_src_hi);
-            exp_src_hi = _mm256_madd_epi16(exp_src_hi, exp_src_hi);
-
-            // calculate sse
-            sse_reg = _mm256_add_epi32(sse_reg, exp_src_lo);
-            sse_reg = _mm256_add_epi32(sse_reg, exp_src_hi);
-
-            dst+= dst_stride;
-          }
+    if (y_offset == 0) {
+      __m256i src_next_reg;
+      for (i = 0; i < height ; i++) {
+        LOAD_SRC_DST
+        AVG_NEXT_SRC(src_reg, 1)
+        // expand each byte to 2 bytes
+        MERGE_WITH_SRC(src_reg, zero_reg)
+        CALC_SUM_SSE_INSIDE_LOOP
+        src+= src_stride;
+        dst+= dst_stride;
       }
+    // x_offset = 8  and y_offset = 8
+    } else if (y_offset == 8) {
+      __m256i src_next_reg, src_avg;
+      // load source and another source starting from the next
+      // following byte
+      src_reg = _mm256_loadu_si256((__m256i const *) (src));
+      AVG_NEXT_SRC(src_reg, 1)
+      for (i = 0; i < height ; i++) {
+        src_avg = src_reg;
+        src+= src_stride;
+        LOAD_SRC_DST
+        AVG_NEXT_SRC(src_reg, 1)
+        // average between previous average to current average
+        src_avg = _mm256_avg_epu8(src_avg, src_reg);
+        // expand each byte to 2 bytes
+        MERGE_WITH_SRC(src_avg, zero_reg)
+        // save current source average
+        CALC_SUM_SSE_INSIDE_LOOP
+        dst+= dst_stride;
+      }
+    // x_offset = 8  and y_offset = bilin interpolation
+    } else {
+      __m256i filter, pw8, src_next_reg, src_avg;
+      y_offset <<= 5;
+      filter = _mm256_load_si256((__m256i const *)
+               (bilinear_filters_avx2 + y_offset));
+      pw8 = _mm256_set1_epi16(8);
+      // load source and another source starting from the next
+      // following byte
+      src_reg = _mm256_loadu_si256((__m256i const *) (src));
+      AVG_NEXT_SRC(src_reg, 1)
+      for (i = 0; i < height ; i++) {
+        // save current source average
+        src_avg = src_reg;
+        src+= src_stride;
+        LOAD_SRC_DST
+        AVG_NEXT_SRC(src_reg, 1)
+        MERGE_WITH_SRC(src_avg, src_reg)
+        FILTER_SRC(filter)
+        CALC_SUM_SSE_INSIDE_LOOP
+        dst+= dst_stride;
+      }
+    }
   // x_offset = bilin interpolation and y_offset = 0
   } else {
-      if (y_offset == 0) {
-        __m256i filter, pw8, src_next_reg;
-#if (ARCH_X86_64)
-        int64_t x_offset64;
-        x_offset64 = x_offset;
-        x_offset64 <<= 5;
-        filter = _mm256_load_si256(
-            (__m256i const *)(bilinear_filters_avx2 + x_offset64));
-#else
-        x_offset <<= 5;
-        filter = _mm256_load_si256(
-            (__m256i const *)(bilinear_filters_avx2 + x_offset));
-#endif
-        pw8 = _mm256_set1_epi16(8);
-        for (i = 0; i < height ; i++) {
-          // load source and another source starting from the next
-          // following byte + destination
-          src_reg = _mm256_loadu_si256((__m256i const *) (src));
-          src_next_reg = _mm256_loadu_si256((__m256i const *) (src + 1));
-          dst_reg = _mm256_load_si256((__m256i const *) (dst));
-
-          // merge current and next source
-          exp_src_lo = _mm256_unpacklo_epi8(src_reg, src_next_reg);
-          exp_src_hi = _mm256_unpackhi_epi8(src_reg, src_next_reg);
-
-          // filter the source
-          exp_src_lo = _mm256_maddubs_epi16(exp_src_lo, filter);
-          exp_src_hi = _mm256_maddubs_epi16(exp_src_hi, filter);
-
-          // add 8 to source
-          exp_src_lo = _mm256_add_epi16(exp_src_lo, pw8);
-          exp_src_hi = _mm256_add_epi16(exp_src_hi, pw8);
-
-          // divide the source by 16
-          exp_src_lo = _mm256_srai_epi16(exp_src_lo, 4);
-          exp_src_hi = _mm256_srai_epi16(exp_src_hi, 4);
-
-          // expand each byte to 2 bytes
-          exp_dst_lo = _mm256_unpacklo_epi8(dst_reg, zero_reg);
-          exp_dst_hi = _mm256_unpackhi_epi8(dst_reg, zero_reg);
-
-          // source - dest
-          exp_src_lo = _mm256_sub_epi16(exp_src_lo, exp_dst_lo);
-          exp_src_hi = _mm256_sub_epi16(exp_src_hi, exp_dst_hi);
-
-          // calculate sum
-          sum_reg = _mm256_add_epi16(sum_reg, exp_src_lo);
-          exp_src_lo = _mm256_madd_epi16(exp_src_lo, exp_src_lo);
-          sum_reg = _mm256_add_epi16(sum_reg, exp_src_hi);
-          exp_src_hi = _mm256_madd_epi16(exp_src_hi, exp_src_hi);
-
-          // calculate sse
-          sse_reg = _mm256_add_epi32(sse_reg, exp_src_lo);
-          sse_reg = _mm256_add_epi32(sse_reg, exp_src_hi);
-
-          src+= src_stride;
-          dst+= dst_stride;
-        }
-      // x_offset = bilin interpolation and y_offset = 8
-      } else if (y_offset == 8) {
-          __m256i filter, pw8, src_next_reg, src_pack;
-#if (ARCH_X86_64)
-          int64_t x_offset64;
-          x_offset64 = x_offset;
-          x_offset64 <<= 5;
-          filter = _mm256_load_si256(
-              (__m256i const *)(bilinear_filters_avx2 + x_offset64));
-#else
-          x_offset <<= 5;
-          filter = _mm256_load_si256(
-              (__m256i const *)(bilinear_filters_avx2 + x_offset));
-#endif
-          pw8 = _mm256_set1_epi16(8);
-          // load source and another source starting from the next
-          // following byte
-          src_reg = _mm256_loadu_si256((__m256i const *) (src));
-          src_next_reg = _mm256_loadu_si256((__m256i const *) (src + 1));
-
-          // merge current and next stride source
-          exp_src_lo = _mm256_unpacklo_epi8(src_reg, src_next_reg);
-          exp_src_hi = _mm256_unpackhi_epi8(src_reg, src_next_reg);
-
-          // filter the source
-          exp_src_lo = _mm256_maddubs_epi16(exp_src_lo, filter);
-          exp_src_hi = _mm256_maddubs_epi16(exp_src_hi, filter);
-
-          // add 8 to source
-          exp_src_lo = _mm256_add_epi16(exp_src_lo, pw8);
-          exp_src_hi = _mm256_add_epi16(exp_src_hi, pw8);
-
-          // divide source by 16
-          exp_src_lo = _mm256_srai_epi16(exp_src_lo, 4);
-          exp_src_hi = _mm256_srai_epi16(exp_src_hi, 4);
-
-          // convert each 16 bit to 8 bit to each low and high lane source
-          src_pack =  _mm256_packus_epi16(exp_src_lo, exp_src_hi);
-          for (i = 0; i < height ; i++) {
-            src+= src_stride;
-
-            // load source and another source starting from the next
-            // following byte + destination
-            src_reg = _mm256_loadu_si256((__m256i const *) (src));
-            src_next_reg = _mm256_loadu_si256((__m256i const *) (src + 1));
-            dst_reg = _mm256_load_si256((__m256i const *) (dst));
-
-            // merge current and next stride source
-            exp_src_lo = _mm256_unpacklo_epi8(src_reg, src_next_reg);
-            exp_src_hi = _mm256_unpackhi_epi8(src_reg, src_next_reg);
-
-            // filter the source
-            exp_src_lo = _mm256_maddubs_epi16(exp_src_lo, filter);
-            exp_src_hi = _mm256_maddubs_epi16(exp_src_hi, filter);
-
-            // add 8 to source
-            exp_src_lo = _mm256_add_epi16(exp_src_lo, pw8);
-            exp_src_hi = _mm256_add_epi16(exp_src_hi, pw8);
-
-            // divide source by 16
-            exp_src_lo = _mm256_srai_epi16(exp_src_lo, 4);
-            exp_src_hi = _mm256_srai_epi16(exp_src_hi, 4);
-
-            // convert each 16 bit to 8 bit to each low and high lane source
-            src_reg =  _mm256_packus_epi16(exp_src_lo, exp_src_hi);
-            // average between previous pack to the current
-            src_pack = _mm256_avg_epu8(src_pack, src_reg);
-
-            // expand each byte to 2 bytes
-            exp_dst_lo = _mm256_unpacklo_epi8(dst_reg, zero_reg);
-            exp_dst_hi = _mm256_unpackhi_epi8(dst_reg, zero_reg);
-
-            exp_src_lo = _mm256_unpacklo_epi8(src_pack, zero_reg);
-            exp_src_hi = _mm256_unpackhi_epi8(src_pack, zero_reg);
-
-            // source - dest
-            exp_src_lo = _mm256_sub_epi16(exp_src_lo, exp_dst_lo);
-            exp_src_hi = _mm256_sub_epi16(exp_src_hi, exp_dst_hi);
-
-            // calculate sum
-            sum_reg = _mm256_add_epi16(sum_reg, exp_src_lo);
-            exp_src_lo = _mm256_madd_epi16(exp_src_lo, exp_src_lo);
-            sum_reg = _mm256_add_epi16(sum_reg, exp_src_hi);
-            exp_src_hi = _mm256_madd_epi16(exp_src_hi, exp_src_hi);
-
-            // calculate sse
-            sse_reg = _mm256_add_epi32(sse_reg, exp_src_lo);
-            sse_reg = _mm256_add_epi32(sse_reg, exp_src_hi);
-
-            // save previous pack
-            src_pack = src_reg;
-            dst+= dst_stride;
-          }
-      // x_offset = bilin interpolation and y_offset = bilin interpolation
-      } else {
-          __m256i xfilter, yfilter, pw8, src_next_reg, src_pack;
-#if (ARCH_X86_64)
-          int64_t x_offset64, y_offset64;
-          x_offset64 = x_offset;
-          x_offset64 <<= 5;
-          y_offset64 = y_offset;
-          y_offset64 <<= 5;
-          xfilter = _mm256_load_si256(
-              (__m256i const *)(bilinear_filters_avx2 + x_offset64));
-          yfilter = _mm256_load_si256(
-              (__m256i const *)(bilinear_filters_avx2 + y_offset64));
-#else
-          x_offset <<= 5;
-          xfilter = _mm256_load_si256(
-              (__m256i const *)(bilinear_filters_avx2 + x_offset));
-          y_offset <<= 5;
-          yfilter = _mm256_load_si256(
-              (__m256i const *)(bilinear_filters_avx2 + y_offset));
-#endif
-          pw8 = _mm256_set1_epi16(8);
-          // load source and another source starting from the next
-          // following byte
-          src_reg = _mm256_loadu_si256((__m256i const *) (src));
-          src_next_reg = _mm256_loadu_si256((__m256i const *) (src + 1));
-          // merge current and next stride source
-          exp_src_lo = _mm256_unpacklo_epi8(src_reg, src_next_reg);
-          exp_src_hi = _mm256_unpackhi_epi8(src_reg, src_next_reg);
-
-          // filter the source
-          exp_src_lo = _mm256_maddubs_epi16(exp_src_lo, xfilter);
-          exp_src_hi = _mm256_maddubs_epi16(exp_src_hi, xfilter);
-
-          // add 8 to the source
-          exp_src_lo = _mm256_add_epi16(exp_src_lo, pw8);
-          exp_src_hi = _mm256_add_epi16(exp_src_hi, pw8);
-
-          // divide the source by 16
-          exp_src_lo = _mm256_srai_epi16(exp_src_lo, 4);
-          exp_src_hi = _mm256_srai_epi16(exp_src_hi, 4);
-
-          // convert each 16 bit to 8 bit to each low and high lane source
-          src_pack = _mm256_packus_epi16(exp_src_lo, exp_src_hi);
-          for (i = 0; i < height ; i++) {
-            src+= src_stride;
-            // load source and another source starting from the next
-            // following byte + destination
-            src_reg = _mm256_loadu_si256((__m256i const *) (src));
-            src_next_reg = _mm256_loadu_si256((__m256i const *) (src + 1));
-            dst_reg = _mm256_load_si256((__m256i const *) (dst));
-
-            // merge current and next stride source
-            exp_src_lo = _mm256_unpacklo_epi8(src_reg, src_next_reg);
-            exp_src_hi = _mm256_unpackhi_epi8(src_reg, src_next_reg);
-
-            // filter the source
-            exp_src_lo = _mm256_maddubs_epi16(exp_src_lo, xfilter);
-            exp_src_hi = _mm256_maddubs_epi16(exp_src_hi, xfilter);
-
-            // add 8 to source
-            exp_src_lo = _mm256_add_epi16(exp_src_lo, pw8);
-            exp_src_hi = _mm256_add_epi16(exp_src_hi, pw8);
-
-            // divide source by 16
-            exp_src_lo = _mm256_srai_epi16(exp_src_lo, 4);
-            exp_src_hi = _mm256_srai_epi16(exp_src_hi, 4);
-
-            // convert each 16 bit to 8 bit to each low and high lane source
-            src_reg = _mm256_packus_epi16(exp_src_lo, exp_src_hi);
-
-            // merge previous pack to current pack source
-            exp_src_lo = _mm256_unpacklo_epi8(src_pack, src_reg);
-            exp_src_hi = _mm256_unpackhi_epi8(src_pack, src_reg);
-
-            // filter the source
-            exp_src_lo = _mm256_maddubs_epi16(exp_src_lo, yfilter);
-            exp_src_hi = _mm256_maddubs_epi16(exp_src_hi, yfilter);
-
-            // expand each byte to 2 bytes
-            exp_dst_lo = _mm256_unpacklo_epi8(dst_reg, zero_reg);
-            exp_dst_hi = _mm256_unpackhi_epi8(dst_reg, zero_reg);
-
-            // add 8 to source
-            exp_src_lo = _mm256_add_epi16(exp_src_lo, pw8);
-            exp_src_hi = _mm256_add_epi16(exp_src_hi, pw8);
-
-            // divide source by 16
-            exp_src_lo = _mm256_srai_epi16(exp_src_lo, 4);
-            exp_src_hi = _mm256_srai_epi16(exp_src_hi, 4);
-
-            // source - dest
-            exp_src_lo = _mm256_sub_epi16(exp_src_lo, exp_dst_lo);
-            exp_src_hi = _mm256_sub_epi16(exp_src_hi, exp_dst_hi);
+    if (y_offset == 0) {
+      __m256i filter, pw8, src_next_reg;
+      x_offset <<= 5;
+      filter = _mm256_load_si256((__m256i const *)
+               (bilinear_filters_avx2 + x_offset));
+      pw8 = _mm256_set1_epi16(8);
+      for (i = 0; i < height ; i++) {
+        LOAD_SRC_DST
+        MERGE_NEXT_SRC(src_reg, 1)
+        FILTER_SRC(filter)
+        CALC_SUM_SSE_INSIDE_LOOP
+        src+= src_stride;
+        dst+= dst_stride;
+      }
+    // x_offset = bilin interpolation and y_offset = 8
+    } else if (y_offset == 8) {
+      __m256i filter, pw8, src_next_reg, src_pack;
+      x_offset <<= 5;
+      filter = _mm256_load_si256((__m256i const *)
+               (bilinear_filters_avx2 + x_offset));
+      pw8 = _mm256_set1_epi16(8);
+      src_reg = _mm256_loadu_si256((__m256i const *) (src));
+      MERGE_NEXT_SRC(src_reg, 1)
+      FILTER_SRC(filter)
+      // convert each 16 bit to 8 bit to each low and high lane source
+      src_pack =  _mm256_packus_epi16(exp_src_lo, exp_src_hi);
+      for (i = 0; i < height ; i++) {
+        src+= src_stride;
+        LOAD_SRC_DST
+        MERGE_NEXT_SRC(src_reg, 1)
+        FILTER_SRC(filter)
+        src_reg =  _mm256_packus_epi16(exp_src_lo, exp_src_hi);
+        // average between previous pack to the current
+        src_pack = _mm256_avg_epu8(src_pack, src_reg);
+        MERGE_WITH_SRC(src_pack, zero_reg)
+        CALC_SUM_SSE_INSIDE_LOOP
+        src_pack = src_reg;
+        dst+= dst_stride;
+      }
+    // x_offset = bilin interpolation and y_offset = bilin interpolation
+    } else {
+      __m256i xfilter, yfilter, pw8, src_next_reg, src_pack;
+      x_offset <<= 5;
+      xfilter = _mm256_load_si256((__m256i const *)
+                (bilinear_filters_avx2 + x_offset));
+      y_offset <<= 5;
+      yfilter = _mm256_load_si256((__m256i const *)
+                (bilinear_filters_avx2 + y_offset));
+      pw8 = _mm256_set1_epi16(8);
+      // load source and another source starting from the next
+      // following byte
+      src_reg = _mm256_loadu_si256((__m256i const *) (src));
+      MERGE_NEXT_SRC(src_reg, 1)
+
+      FILTER_SRC(xfilter)
+      // convert each 16 bit to 8 bit to each low and high lane source
+      src_pack = _mm256_packus_epi16(exp_src_lo, exp_src_hi);
+      for (i = 0; i < height ; i++) {
+        src+= src_stride;
+        LOAD_SRC_DST
+        MERGE_NEXT_SRC(src_reg, 1)
+        FILTER_SRC(xfilter)
+        src_reg = _mm256_packus_epi16(exp_src_lo, exp_src_hi);
+        // merge previous pack to current pack source
+        MERGE_WITH_SRC(src_pack, src_reg)
+        // filter the source
+        FILTER_SRC(yfilter)
+        src_pack = src_reg;
+        CALC_SUM_SSE_INSIDE_LOOP
+        dst+= dst_stride;
+      }
+    }
+  }
+  CALC_SUM_AND_SSE
+  return sum;
+}
 
-            // caculate sum
-            sum_reg = _mm256_add_epi16(sum_reg, exp_src_lo);
-            exp_src_lo = _mm256_madd_epi16(exp_src_lo, exp_src_lo);
-            sum_reg = _mm256_add_epi16(sum_reg, exp_src_hi);
-            exp_src_hi = _mm256_madd_epi16(exp_src_hi, exp_src_hi);
+unsigned int vp9_sub_pixel_avg_variance32xh_avx2(const uint8_t *src,
+                                             int src_stride,
+                                             int x_offset,
+                                             int y_offset,
+                                             const uint8_t *dst,
+                                             int dst_stride,
+                                             const uint8_t *sec,
+                                             int sec_stride,
+                                             int height,
+                                             unsigned int *sse) {
+  __m256i sec_reg;
+  __m256i src_reg, dst_reg, exp_src_lo, exp_src_hi, exp_dst_lo, exp_dst_hi;
+  __m256i sse_reg, sum_reg, sse_reg_hi, res_cmp, sum_reg_lo, sum_reg_hi;
+  __m256i zero_reg;
+  int i, sum;
+  sum_reg = _mm256_set1_epi16(0);
+  sse_reg = _mm256_set1_epi16(0);
+  zero_reg = _mm256_set1_epi16(0);
 
-            // calculate sse
-            sse_reg = _mm256_add_epi32(sse_reg, exp_src_lo);
-            sse_reg = _mm256_add_epi32(sse_reg, exp_src_hi);
+  // x_offset = 0 and y_offset = 0
+  if (x_offset == 0) {
+    if (y_offset == 0) {
+      for (i = 0; i < height ; i++) {
+        LOAD_SRC_DST
+        sec_reg = _mm256_load_si256((__m256i const *) (sec));
+        src_reg = _mm256_avg_epu8(src_reg, sec_reg);
+        sec+= sec_stride;
+        // expend each byte to 2 bytes
+        MERGE_WITH_SRC(src_reg, zero_reg)
+        CALC_SUM_SSE_INSIDE_LOOP
+        src+= src_stride;
+        dst+= dst_stride;
+      }
+    } else if (y_offset == 8) {
+      __m256i src_next_reg;
+      for (i = 0; i < height ; i++) {
+        LOAD_SRC_DST
+        AVG_NEXT_SRC(src_reg, src_stride)
+        sec_reg = _mm256_load_si256((__m256i const *) (sec));
+        src_reg = _mm256_avg_epu8(src_reg, sec_reg);
+        sec+= sec_stride;
+        // expend each byte to 2 bytes
+        MERGE_WITH_SRC(src_reg, zero_reg)
+        CALC_SUM_SSE_INSIDE_LOOP
+        src+= src_stride;
+        dst+= dst_stride;
+      }
+    // x_offset = 0 and y_offset = bilin interpolation
+    } else {
+      __m256i filter, pw8, src_next_reg;
 
-            src_pack = src_reg;
-            dst+= dst_stride;
-          }
+      y_offset <<= 5;
+      filter = _mm256_load_si256((__m256i const *)
+                 (bilinear_filters_avx2 + y_offset));
+      pw8 = _mm256_set1_epi16(8);
+      for (i = 0; i < height ; i++) {
+        LOAD_SRC_DST
+        MERGE_NEXT_SRC(src_reg, src_stride)
+        FILTER_SRC(filter)
+        src_reg = _mm256_packus_epi16(exp_src_lo, exp_src_hi);
+        sec_reg = _mm256_load_si256((__m256i const *) (sec));
+        src_reg = _mm256_avg_epu8(src_reg, sec_reg);
+        sec+= sec_stride;
+        MERGE_WITH_SRC(src_reg, zero_reg)
+        CALC_SUM_SSE_INSIDE_LOOP
+        src+= src_stride;
+        dst+= dst_stride;
+      }
+    }
+  // x_offset = 8  and y_offset = 0
+  } else if (x_offset == 8) {
+    if (y_offset == 0) {
+      __m256i src_next_reg;
+      for (i = 0; i < height ; i++) {
+        LOAD_SRC_DST
+        AVG_NEXT_SRC(src_reg, 1)
+        sec_reg = _mm256_load_si256((__m256i const *) (sec));
+        src_reg = _mm256_avg_epu8(src_reg, sec_reg);
+        sec+= sec_stride;
+        // expand each byte to 2 bytes
+        MERGE_WITH_SRC(src_reg, zero_reg)
+        CALC_SUM_SSE_INSIDE_LOOP
+        src+= src_stride;
+        dst+= dst_stride;
+      }
+    // x_offset = 8  and y_offset = 8
+    } else if (y_offset == 8) {
+      __m256i src_next_reg, src_avg;
+      // load source and another source starting from the next
+      // following byte
+      src_reg = _mm256_loadu_si256((__m256i const *) (src));
+      AVG_NEXT_SRC(src_reg, 1)
+      for (i = 0; i < height ; i++) {
+        // save current source average
+        src_avg = src_reg;
+        src+= src_stride;
+        LOAD_SRC_DST
+        AVG_NEXT_SRC(src_reg, 1)
+        // average between previous average to current average
+        src_avg = _mm256_avg_epu8(src_avg, src_reg);
+        sec_reg = _mm256_load_si256((__m256i const *) (sec));
+        src_avg = _mm256_avg_epu8(src_avg, sec_reg);
+        sec+= sec_stride;
+        // expand each byte to 2 bytes
+        MERGE_WITH_SRC(src_avg, zero_reg)
+        CALC_SUM_SSE_INSIDE_LOOP
+        dst+= dst_stride;
+      }
+    // x_offset = 8  and y_offset = bilin interpolation
+    } else {
+      __m256i filter, pw8, src_next_reg, src_avg;
+      y_offset <<= 5;
+      filter = _mm256_load_si256((__m256i const *)
+               (bilinear_filters_avx2 + y_offset));
+      pw8 = _mm256_set1_epi16(8);
+      // load source and another source starting from the next
+      // following byte
+      src_reg = _mm256_loadu_si256((__m256i const *) (src));
+      AVG_NEXT_SRC(src_reg, 1)
+      for (i = 0; i < height ; i++) {
+        // save current source average
+        src_avg = src_reg;
+        src+= src_stride;
+        LOAD_SRC_DST
+        AVG_NEXT_SRC(src_reg, 1)
+        MERGE_WITH_SRC(src_avg, src_reg)
+        FILTER_SRC(filter)
+        src_avg = _mm256_packus_epi16(exp_src_lo, exp_src_hi);
+        sec_reg = _mm256_load_si256((__m256i const *) (sec));
+        src_avg = _mm256_avg_epu8(src_avg, sec_reg);
+        // expand each byte to 2 bytes
+        MERGE_WITH_SRC(src_avg, zero_reg)
+        sec+= sec_stride;
+        CALC_SUM_SSE_INSIDE_LOOP
+        dst+= dst_stride;
       }
+    }
+  // x_offset = bilin interpolation and y_offset = 0
+  } else {
+    if (y_offset == 0) {
+      __m256i filter, pw8, src_next_reg;
+      x_offset <<= 5;
+      filter = _mm256_load_si256((__m256i const *)
+               (bilinear_filters_avx2 + x_offset));
+      pw8 = _mm256_set1_epi16(8);
+      for (i = 0; i < height ; i++) {
+        LOAD_SRC_DST
+        MERGE_NEXT_SRC(src_reg, 1)
+        FILTER_SRC(filter)
+        src_reg = _mm256_packus_epi16(exp_src_lo, exp_src_hi);
+        sec_reg = _mm256_load_si256((__m256i const *) (sec));
+        src_reg = _mm256_avg_epu8(src_reg, sec_reg);
+        MERGE_WITH_SRC(src_reg, zero_reg)
+        sec+= sec_stride;
+        CALC_SUM_SSE_INSIDE_LOOP
+        src+= src_stride;
+        dst+= dst_stride;
+      }
+    // x_offset = bilin interpolation and y_offset = 8
+    } else if (y_offset == 8) {
+      __m256i filter, pw8, src_next_reg, src_pack;
+      x_offset <<= 5;
+      filter = _mm256_load_si256((__m256i const *)
+               (bilinear_filters_avx2 + x_offset));
+      pw8 = _mm256_set1_epi16(8);
+      src_reg = _mm256_loadu_si256((__m256i const *) (src));
+      MERGE_NEXT_SRC(src_reg, 1)
+      FILTER_SRC(filter)
+      // convert each 16 bit to 8 bit to each low and high lane source
+      src_pack =  _mm256_packus_epi16(exp_src_lo, exp_src_hi);
+      for (i = 0; i < height ; i++) {
+        src+= src_stride;
+        LOAD_SRC_DST
+        MERGE_NEXT_SRC(src_reg, 1)
+        FILTER_SRC(filter)
+        src_reg =  _mm256_packus_epi16(exp_src_lo, exp_src_hi);
+        // average between previous pack to the current
+        src_pack = _mm256_avg_epu8(src_pack, src_reg);
+        sec_reg = _mm256_load_si256((__m256i const *) (sec));
+        src_pack = _mm256_avg_epu8(src_pack, sec_reg);
+        sec+= sec_stride;
+        MERGE_WITH_SRC(src_pack, zero_reg)
+        src_pack = src_reg;
+        CALC_SUM_SSE_INSIDE_LOOP
+        dst+= dst_stride;
+      }
+    // x_offset = bilin interpolation and y_offset = bilin interpolation
+    } else {
+      __m256i xfilter, yfilter, pw8, src_next_reg, src_pack;
+      x_offset <<= 5;
+      xfilter = _mm256_load_si256((__m256i const *)
+                (bilinear_filters_avx2 + x_offset));
+      y_offset <<= 5;
+      yfilter = _mm256_load_si256((__m256i const *)
+                (bilinear_filters_avx2 + y_offset));
+      pw8 = _mm256_set1_epi16(8);
+      // load source and another source starting from the next
+      // following byte
+      src_reg = _mm256_loadu_si256((__m256i const *) (src));
+      MERGE_NEXT_SRC(src_reg, 1)
+
+      FILTER_SRC(xfilter)
+      // convert each 16 bit to 8 bit to each low and high lane source
+      src_pack = _mm256_packus_epi16(exp_src_lo, exp_src_hi);
+      for (i = 0; i < height ; i++) {
+        src+= src_stride;
+        LOAD_SRC_DST
+        MERGE_NEXT_SRC(src_reg, 1)
+        FILTER_SRC(xfilter)
+        src_reg = _mm256_packus_epi16(exp_src_lo, exp_src_hi);
+        // merge previous pack to current pack source
+        MERGE_WITH_SRC(src_pack, src_reg)
+        // filter the source
+        FILTER_SRC(yfilter)
+        src_pack = _mm256_packus_epi16(exp_src_lo, exp_src_hi);
+        sec_reg = _mm256_load_si256((__m256i const *) (sec));
+        src_pack = _mm256_avg_epu8(src_pack, sec_reg);
+        MERGE_WITH_SRC(src_pack, zero_reg)
+        src_pack = src_reg;
+        sec+= sec_stride;
+        CALC_SUM_SSE_INSIDE_LOOP
+        dst+= dst_stride;
+      }
+    }
   }
-  // sum < 0
-  res_cmp = _mm256_cmpgt_epi16(zero_reg, sum_reg);
-  // save the next 8 bytes of each lane of sse
-  sse_reg_hi = _mm256_srli_si256(sse_reg, 8);
-  // merge the result of sum < 0  with sum to add sign to the next 16 bits
-  sum_reg_lo = _mm256_unpacklo_epi16(sum_reg, res_cmp);
-  sum_reg_hi = _mm256_unpackhi_epi16(sum_reg, res_cmp);
-  // add each 8 bytes from every lane of sse and sum
-  sse_reg = _mm256_add_epi32(sse_reg, sse_reg_hi);
-  sum_reg = _mm256_add_epi32(sum_reg_lo, sum_reg_hi);
-
-  // save the next 4 bytes of each lane sse
-  sse_reg_hi = _mm256_srli_si256(sse_reg, 4);
-  // save the next 8 bytes of each lane of sum
-  sum_reg_hi = _mm256_srli_si256(sum_reg, 8);
-
-  // add the first 4 bytes to the next 4 bytes sse
-  sse_reg = _mm256_add_epi32(sse_reg, sse_reg_hi);
-  // add the first 8 bytes to the next 8 bytes
-  sum_reg = _mm256_add_epi32(sum_reg, sum_reg_hi);
-  // extract the low lane and the high lane and add the results
-  *((int*)sse)= _mm_cvtsi128_si32(_mm256_castsi256_si128(sse_reg)) +
-                _mm_cvtsi128_si32(_mm256_extractf128_si256(sse_reg, 1));
-  sum_reg_hi = _mm256_srli_si256(sum_reg, 4);
-  sum_reg = _mm256_add_epi32(sum_reg, sum_reg_hi);
-  sum = _mm_cvtsi128_si32(_mm256_castsi256_si128(sum_reg)) +
-        _mm_cvtsi128_si32(_mm256_extractf128_si256(sum_reg, 1));
+  CALC_SUM_AND_SSE
   return sum;
 }
index 02007a3..835c519 100644 (file)
@@ -54,6 +54,20 @@ unsigned int vp9_sub_pixel_variance32xh_avx2
   unsigned int *sse
 );
 
+unsigned int vp9_sub_pixel_avg_variance32xh_avx2
+(
+  const uint8_t *src,
+  int src_stride,
+  int x_offset,
+  int y_offset,
+  const uint8_t *dst,
+  int dst_stride,
+  const uint8_t *sec,
+  int sec_stride,
+  int height,
+  unsigned int *sseptr
+);
+
 static void variance_avx2(const unsigned char *src_ptr, int  source_stride,
                         const unsigned char *ref_ptr, int  recon_stride,
                         int  w, int  h, unsigned int *sse, int *sum,
@@ -207,3 +221,48 @@ unsigned int vp9_sub_pixel_variance32x32_avx2(const uint8_t *src,
   *sse_ptr = sse;
   return sse - (((int64_t)se * se) >> 10);
 }
+
+unsigned int vp9_sub_pixel_avg_variance64x64_avx2(const uint8_t *src,
+                                                  int src_stride,
+                                                  int x_offset,
+                                                  int y_offset,
+                                                  const uint8_t *dst,
+                                                  int dst_stride,
+                                                  unsigned int *sseptr,
+                                                  const uint8_t *sec) {
+  // processing 32 elements in parallel
+  unsigned int sse;
+
+  int se = vp9_sub_pixel_avg_variance32xh_avx2(src, src_stride, x_offset,
+                                               y_offset, dst, dst_stride,
+                                               sec, 64, 64, &sse);
+  unsigned int sse2;
+  // processing the next 32 elements in parallel
+  int se2 = vp9_sub_pixel_avg_variance32xh_avx2(src + 32, src_stride, x_offset,
+                                                y_offset, dst + 32, dst_stride,
+                                                sec + 32, 64, 64, &sse2);
+  se += se2;
+  sse += sse2;
+  *sseptr = sse;
+
+  return sse - (((int64_t)se * se) >> 12);
+}
+
+unsigned int vp9_sub_pixel_avg_variance32x32_avx2(const uint8_t *src,
+                                                  int src_stride,
+                                                  int x_offset,
+                                                  int y_offset,
+                                                  const uint8_t *dst,
+                                                  int dst_stride,
+                                                  unsigned int *sseptr,
+                                                  const uint8_t *sec) {
+  // processing 32 element in parallel
+  unsigned int sse;
+  int se = vp9_sub_pixel_avg_variance32xh_avx2(src, src_stride, x_offset,
+                                                 y_offset, dst, dst_stride,
+                                                 sec, 32, 32, &sse);
+  *sseptr = sse;
+  return sse - (((int64_t)se * se) >> 10);
+}
+
+