src/third_party/libvpx/source/libvpx/vp9/encoder/x86/vp9_dct_avx2.c

   1 /*
   2  *  Copyright (c) 2012 The WebM project authors. All Rights Reserved.
   3  *
   4  *  Use of this source code is governed by a BSD-style license
   5  *  that can be found in the LICENSE file in the root of the source
   6  *  tree. An additional intellectual property rights grant can be found
   7  *  in the file PATENTS.  All contributing project authors may
   8  *  be found in the AUTHORS file in the root of the source tree.
   9  */
  10
  11 #include <immintrin.h>  // AVX2
  12 #include "vp9/common/vp9_idct.h"  // for cospi constants
  13 #include "vpx_ports/mem.h"
  14
  15 void vp9_fdct4x4_avx2(const int16_t *input, int16_t *output, int stride) {
  16   // The 2D transform is done with two passes which are actually pretty
  17   // similar. In the first one, we transform the columns and transpose
  18   // the results. In the second one, we transform the rows. To achieve that,
  19   // as the first pass results are transposed, we tranpose the columns (that
  20   // is the transposed rows) and transpose the results (so that it goes back
  21   // in normal/row positions).
  22   int pass;
  23   // Constants
  24   //    When we use them, in one case, they are all the same. In all others
  25   //    it's a pair of them that we need to repeat four times. This is done
  26   //    by constructing the 32 bit constant corresponding to that pair.
  27   const __m128i k__cospi_p16_p16 = _mm_set1_epi16(cospi_16_64);
  28   const __m128i k__cospi_p16_m16 = pair_set_epi16(cospi_16_64, -cospi_16_64);
  29   const __m128i k__cospi_p24_p08 = pair_set_epi16(cospi_24_64, cospi_8_64);
  30   const __m128i k__cospi_m08_p24 = pair_set_epi16(-cospi_8_64, cospi_24_64);
  31   const __m128i k__DCT_CONST_ROUNDING = _mm_set1_epi32(DCT_CONST_ROUNDING);
  32   const __m128i k__nonzero_bias_a = _mm_setr_epi16(0, 1, 1, 1, 1, 1, 1, 1);
  33   const __m128i k__nonzero_bias_b = _mm_setr_epi16(1, 0, 0, 0, 0, 0, 0, 0);
  34   const __m128i kOne = _mm_set1_epi16(1);
  35   __m128i in0, in1, in2, in3;
  36   // Load inputs.
  37   {
  38     in0  = _mm_loadl_epi64((const __m128i *)(input +  0 * stride));
  39     in1  = _mm_loadl_epi64((const __m128i *)(input +  1 * stride));
  40     in2  = _mm_loadl_epi64((const __m128i *)(input +  2 * stride));
  41     in3  = _mm_loadl_epi64((const __m128i *)(input +  3 * stride));
  42     // x = x << 4
  43     in0 = _mm_slli_epi16(in0, 4);
  44     in1 = _mm_slli_epi16(in1, 4);
  45     in2 = _mm_slli_epi16(in2, 4);
  46     in3 = _mm_slli_epi16(in3, 4);
  47     // if (i == 0 && input[0]) input[0] += 1;
  48     {
  49       // The mask will only contain wether the first value is zero, all
  50       // other comparison will fail as something shifted by 4 (above << 4)
  51       // can never be equal to one. To increment in the non-zero case, we
  52       // add the mask and one for the first element:
  53       //   - if zero, mask = -1, v = v - 1 + 1 = v
  54       //   - if non-zero, mask = 0, v = v + 0 + 1 = v + 1
  55       __m128i mask = _mm_cmpeq_epi16(in0, k__nonzero_bias_a);
  56       in0 = _mm_add_epi16(in0, mask);
  57       in0 = _mm_add_epi16(in0, k__nonzero_bias_b);
  58     }
  59   }
  60   // Do the two transform/transpose passes
  61   for (pass = 0; pass < 2; ++pass) {
  62     // Transform 1/2: Add/substract
  63     const __m128i r0 = _mm_add_epi16(in0, in3);
  64     const __m128i r1 = _mm_add_epi16(in1, in2);
  65     const __m128i r2 = _mm_sub_epi16(in1, in2);
  66     const __m128i r3 = _mm_sub_epi16(in0, in3);
  67     // Transform 1/2: Interleave to do the multiply by constants which gets us
  68     //                into 32 bits.
  69     const __m128i t0 = _mm_unpacklo_epi16(r0, r1);
  70     const __m128i t2 = _mm_unpacklo_epi16(r2, r3);
  71     const __m128i u0 = _mm_madd_epi16(t0, k__cospi_p16_p16);
  72     const __m128i u2 = _mm_madd_epi16(t0, k__cospi_p16_m16);
  73     const __m128i u4 = _mm_madd_epi16(t2, k__cospi_p24_p08);
  74     const __m128i u6 = _mm_madd_epi16(t2, k__cospi_m08_p24);
  75     const __m128i v0 = _mm_add_epi32(u0, k__DCT_CONST_ROUNDING);
  76     const __m128i v2 = _mm_add_epi32(u2, k__DCT_CONST_ROUNDING);
  77     const __m128i v4 = _mm_add_epi32(u4, k__DCT_CONST_ROUNDING);
  78     const __m128i v6 = _mm_add_epi32(u6, k__DCT_CONST_ROUNDING);
  79     const __m128i w0 = _mm_srai_epi32(v0, DCT_CONST_BITS);
  80     const __m128i w2 = _mm_srai_epi32(v2, DCT_CONST_BITS);
  81     const __m128i w4 = _mm_srai_epi32(v4, DCT_CONST_BITS);
  82     const __m128i w6 = _mm_srai_epi32(v6, DCT_CONST_BITS);
  83     // Combine and transpose
  84     const __m128i res0 = _mm_packs_epi32(w0, w2);
  85     const __m128i res1 = _mm_packs_epi32(w4, w6);
  86     // 00 01 02 03 20 21 22 23
  87     // 10 11 12 13 30 31 32 33
  88     const __m128i tr0_0 = _mm_unpacklo_epi16(res0, res1);
  89     const __m128i tr0_1 = _mm_unpackhi_epi16(res0, res1);
  90     // 00 10 01 11 02 12 03 13
  91     // 20 30 21 31 22 32 23 33
  92     in0 = _mm_unpacklo_epi32(tr0_0, tr0_1);
  93     in2 = _mm_unpackhi_epi32(tr0_0, tr0_1);
  94     // 00 10 20 30 01 11 21 31      in0 contains 0 followed by 1
  95     // 02 12 22 32 03 13 23 33      in2 contains 2 followed by 3
  96     if (0 == pass) {
  97       // Extract values in the high part for second pass as transform code
  98       // only uses the first four values.
  99       in1 = _mm_unpackhi_epi64(in0, in0);
 100       in3 = _mm_unpackhi_epi64(in2, in2);
 101     } else {
 102       // Post-condition output and store it (v + 1) >> 2, taking advantage
 103       // of the fact 1/3 are stored just after 0/2.
 104       __m128i out01 = _mm_add_epi16(in0, kOne);
 105       __m128i out23 = _mm_add_epi16(in2, kOne);
 106       out01 = _mm_srai_epi16(out01, 2);
 107       out23 = _mm_srai_epi16(out23, 2);
 108       _mm_storeu_si128((__m128i *)(output + 0 * 4), out01);
 109       _mm_storeu_si128((__m128i *)(output + 2 * 4), out23);
 110     }
 111   }
 112 }
 113
 114 static INLINE void load_buffer_4x4_avx2(const int16_t *input, __m128i *in,
 115                                    int stride) {
 116   const __m128i k__nonzero_bias_a = _mm_setr_epi16(0, 1, 1, 1, 1, 1, 1, 1);
 117   const __m128i k__nonzero_bias_b = _mm_setr_epi16(1, 0, 0, 0, 0, 0, 0, 0);
 118   __m128i mask;
 119
 120   in[0] = _mm_loadl_epi64((const __m128i *)(input + 0 * stride));
 121   in[1] = _mm_loadl_epi64((const __m128i *)(input + 1 * stride));
 122   in[2] = _mm_loadl_epi64((const __m128i *)(input + 2 * stride));
 123   in[3] = _mm_loadl_epi64((const __m128i *)(input + 3 * stride));
 124
 125   in[0] = _mm_slli_epi16(in[0], 4);
 126   in[1] = _mm_slli_epi16(in[1], 4);
 127   in[2] = _mm_slli_epi16(in[2], 4);
 128   in[3] = _mm_slli_epi16(in[3], 4);
 129
 130   mask = _mm_cmpeq_epi16(in[0], k__nonzero_bias_a);
 131   in[0] = _mm_add_epi16(in[0], mask);
 132   in[0] = _mm_add_epi16(in[0], k__nonzero_bias_b);
 133 }
 134
 135 static INLINE void write_buffer_4x4_avx2(int16_t *output, __m128i *res) {
 136   const __m128i kOne = _mm_set1_epi16(1);
 137   __m128i in01 = _mm_unpacklo_epi64(res[0], res[1]);
 138   __m128i in23 = _mm_unpacklo_epi64(res[2], res[3]);
 139   __m128i out01 = _mm_add_epi16(in01, kOne);
 140   __m128i out23 = _mm_add_epi16(in23, kOne);
 141   out01 = _mm_srai_epi16(out01, 2);
 142   out23 = _mm_srai_epi16(out23, 2);
 143   _mm_store_si128((__m128i *)(output + 0 * 8), out01);
 144   _mm_store_si128((__m128i *)(output + 1 * 8), out23);
 145 }
 146
 147 static INLINE void transpose_4x4_avx2(__m128i *res) {
 148   // Combine and transpose
 149   // 00 01 02 03 20 21 22 23
 150   // 10 11 12 13 30 31 32 33
 151   const __m128i tr0_0 = _mm_unpacklo_epi16(res[0], res[1]);
 152   const __m128i tr0_1 = _mm_unpackhi_epi16(res[0], res[1]);
 153
 154   // 00 10 01 11 02 12 03 13
 155   // 20 30 21 31 22 32 23 33
 156   res[0] = _mm_unpacklo_epi32(tr0_0, tr0_1);
 157   res[2] = _mm_unpackhi_epi32(tr0_0, tr0_1);
 158
 159   // 00 10 20 30 01 11 21 31
 160   // 02 12 22 32 03 13 23 33
 161   // only use the first 4 16-bit integers
 162   res[1] = _mm_unpackhi_epi64(res[0], res[0]);
 163   res[3] = _mm_unpackhi_epi64(res[2], res[2]);
 164 }
 165
 166 void fdct4_avx2(__m128i *in) {
 167   const __m128i k__cospi_p16_p16 = _mm_set1_epi16(cospi_16_64);
 168   const __m128i k__cospi_p16_m16 = pair_set_epi16(cospi_16_64, -cospi_16_64);
 169   const __m128i k__cospi_p08_p24 = pair_set_epi16(cospi_8_64, cospi_24_64);
 170   const __m128i k__cospi_p24_m08 = pair_set_epi16(cospi_24_64, -cospi_8_64);
 171   const __m128i k__DCT_CONST_ROUNDING = _mm_set1_epi32(DCT_CONST_ROUNDING);
 172
 173   __m128i u[4], v[4];
 174   u[0]=_mm_unpacklo_epi16(in[0], in[1]);
 175   u[1]=_mm_unpacklo_epi16(in[3], in[2]);
 176
 177   v[0] = _mm_add_epi16(u[0], u[1]);
 178   v[1] = _mm_sub_epi16(u[0], u[1]);
 179
 180   u[0] = _mm_madd_epi16(v[0], k__cospi_p16_p16);  // 0
 181   u[1] = _mm_madd_epi16(v[0], k__cospi_p16_m16);  // 2
 182   u[2] = _mm_madd_epi16(v[1], k__cospi_p08_p24);  // 1
 183   u[3] = _mm_madd_epi16(v[1], k__cospi_p24_m08);  // 3
 184
 185   v[0] = _mm_add_epi32(u[0], k__DCT_CONST_ROUNDING);
 186   v[1] = _mm_add_epi32(u[1], k__DCT_CONST_ROUNDING);
 187   v[2] = _mm_add_epi32(u[2], k__DCT_CONST_ROUNDING);
 188   v[3] = _mm_add_epi32(u[3], k__DCT_CONST_ROUNDING);
 189   u[0] = _mm_srai_epi32(v[0], DCT_CONST_BITS);
 190   u[1] = _mm_srai_epi32(v[1], DCT_CONST_BITS);
 191   u[2] = _mm_srai_epi32(v[2], DCT_CONST_BITS);
 192   u[3] = _mm_srai_epi32(v[3], DCT_CONST_BITS);
 193
 194   in[0] = _mm_packs_epi32(u[0], u[1]);
 195   in[1] = _mm_packs_epi32(u[2], u[3]);
 196   transpose_4x4_avx2(in);
 197 }
 198
 199 void fadst4_avx2(__m128i *in) {
 200   const __m128i k__sinpi_p01_p02 = pair_set_epi16(sinpi_1_9, sinpi_2_9);
 201   const __m128i k__sinpi_p04_m01 = pair_set_epi16(sinpi_4_9, -sinpi_1_9);
 202   const __m128i k__sinpi_p03_p04 = pair_set_epi16(sinpi_3_9, sinpi_4_9);
 203   const __m128i k__sinpi_m03_p02 = pair_set_epi16(-sinpi_3_9, sinpi_2_9);
 204   const __m128i k__sinpi_p03_p03 = _mm_set1_epi16(sinpi_3_9);
 205   const __m128i kZero = _mm_set1_epi16(0);
 206   const __m128i k__DCT_CONST_ROUNDING = _mm_set1_epi32(DCT_CONST_ROUNDING);
 207   __m128i u[8], v[8];
 208   __m128i in7 = _mm_add_epi16(in[0], in[1]);
 209
 210   u[0] = _mm_unpacklo_epi16(in[0], in[1]);
 211   u[1] = _mm_unpacklo_epi16(in[2], in[3]);
 212   u[2] = _mm_unpacklo_epi16(in7, kZero);
 213   u[3] = _mm_unpacklo_epi16(in[2], kZero);
 214   u[4] = _mm_unpacklo_epi16(in[3], kZero);
 215
 216   v[0] = _mm_madd_epi16(u[0], k__sinpi_p01_p02);  // s0 + s2
 217   v[1] = _mm_madd_epi16(u[1], k__sinpi_p03_p04);  // s4 + s5
 218   v[2] = _mm_madd_epi16(u[2], k__sinpi_p03_p03);  // x1
 219   v[3] = _mm_madd_epi16(u[0], k__sinpi_p04_m01);  // s1 - s3
 220   v[4] = _mm_madd_epi16(u[1], k__sinpi_m03_p02);  // -s4 + s6
 221   v[5] = _mm_madd_epi16(u[3], k__sinpi_p03_p03);  // s4
 222   v[6] = _mm_madd_epi16(u[4], k__sinpi_p03_p03);
 223
 224   u[0] = _mm_add_epi32(v[0], v[1]);
 225   u[1] = _mm_sub_epi32(v[2], v[6]);
 226   u[2] = _mm_add_epi32(v[3], v[4]);
 227   u[3] = _mm_sub_epi32(u[2], u[0]);
 228   u[4] = _mm_slli_epi32(v[5], 2);
 229   u[5] = _mm_sub_epi32(u[4], v[5]);
 230   u[6] = _mm_add_epi32(u[3], u[5]);
 231
 232   v[0] = _mm_add_epi32(u[0], k__DCT_CONST_ROUNDING);
 233   v[1] = _mm_add_epi32(u[1], k__DCT_CONST_ROUNDING);
 234   v[2] = _mm_add_epi32(u[2], k__DCT_CONST_ROUNDING);
 235   v[3] = _mm_add_epi32(u[6], k__DCT_CONST_ROUNDING);
 236
 237   u[0] = _mm_srai_epi32(v[0], DCT_CONST_BITS);
 238   u[1] = _mm_srai_epi32(v[1], DCT_CONST_BITS);
 239   u[2] = _mm_srai_epi32(v[2], DCT_CONST_BITS);
 240   u[3] = _mm_srai_epi32(v[3], DCT_CONST_BITS);
 241
 242   in[0] = _mm_packs_epi32(u[0], u[2]);
 243   in[1] = _mm_packs_epi32(u[1], u[3]);
 244   transpose_4x4_avx2(in);
 245 }
 246
 247 void vp9_fht4x4_avx2(const int16_t *input, int16_t *output,
 248                      int stride, int tx_type) {
 249   __m128i in[4];
 250
 251   switch (tx_type) {
 252     case DCT_DCT:
 253       vp9_fdct4x4_avx2(input, output, stride);
 254       break;
 255     case ADST_DCT:
 256       load_buffer_4x4_avx2(input, in, stride);
 257       fadst4_avx2(in);
 258       fdct4_avx2(in);
 259       write_buffer_4x4_avx2(output, in);
 260       break;
 261     case DCT_ADST:
 262       load_buffer_4x4_avx2(input, in, stride);
 263       fdct4_avx2(in);
 264       fadst4_avx2(in);
 265       write_buffer_4x4_avx2(output, in);
 266       break;
 267     case ADST_ADST:
 268       load_buffer_4x4_avx2(input, in, stride);
 269       fadst4_avx2(in);
 270       fadst4_avx2(in);
 271       write_buffer_4x4_avx2(output, in);
 272       break;
 273     default:
 274       assert(0);
 275       break;
 276   }
 277 }
 278
 279 void vp9_fdct8x8_avx2(const int16_t *input, int16_t *output, int stride) {
 280   int pass;
 281   // Constants
 282   //    When we use them, in one case, they are all the same. In all others
 283   //    it's a pair of them that we need to repeat four times. This is done
 284   //    by constructing the 32 bit constant corresponding to that pair.
 285   const __m128i k__cospi_p16_p16 = _mm_set1_epi16(cospi_16_64);
 286   const __m128i k__cospi_p16_m16 = pair_set_epi16(cospi_16_64, -cospi_16_64);
 287   const __m128i k__cospi_p24_p08 = pair_set_epi16(cospi_24_64, cospi_8_64);
 288   const __m128i k__cospi_m08_p24 = pair_set_epi16(-cospi_8_64, cospi_24_64);
 289   const __m128i k__cospi_p28_p04 = pair_set_epi16(cospi_28_64, cospi_4_64);
 290   const __m128i k__cospi_m04_p28 = pair_set_epi16(-cospi_4_64, cospi_28_64);
 291   const __m128i k__cospi_p12_p20 = pair_set_epi16(cospi_12_64, cospi_20_64);
 292   const __m128i k__cospi_m20_p12 = pair_set_epi16(-cospi_20_64, cospi_12_64);
 293   const __m128i k__DCT_CONST_ROUNDING = _mm_set1_epi32(DCT_CONST_ROUNDING);
 294   // Load input
 295   __m128i in0  = _mm_load_si128((const __m128i *)(input + 0 * stride));
 296   __m128i in1  = _mm_load_si128((const __m128i *)(input + 1 * stride));
 297   __m128i in2  = _mm_load_si128((const __m128i *)(input + 2 * stride));
 298   __m128i in3  = _mm_load_si128((const __m128i *)(input + 3 * stride));
 299   __m128i in4  = _mm_load_si128((const __m128i *)(input + 4 * stride));
 300   __m128i in5  = _mm_load_si128((const __m128i *)(input + 5 * stride));
 301   __m128i in6  = _mm_load_si128((const __m128i *)(input + 6 * stride));
 302   __m128i in7  = _mm_load_si128((const __m128i *)(input + 7 * stride));
 303   // Pre-condition input (shift by two)
 304   in0 = _mm_slli_epi16(in0, 2);
 305   in1 = _mm_slli_epi16(in1, 2);
 306   in2 = _mm_slli_epi16(in2, 2);
 307   in3 = _mm_slli_epi16(in3, 2);
 308   in4 = _mm_slli_epi16(in4, 2);
 309   in5 = _mm_slli_epi16(in5, 2);
 310   in6 = _mm_slli_epi16(in6, 2);
 311   in7 = _mm_slli_epi16(in7, 2);
 312
 313   // We do two passes, first the columns, then the rows. The results of the
 314   // first pass are transposed so that the same column code can be reused. The
 315   // results of the second pass are also transposed so that the rows (processed
 316   // as columns) are put back in row positions.
 317   for (pass = 0; pass < 2; pass++) {
 318     // To store results of each pass before the transpose.
 319     __m128i res0, res1, res2, res3, res4, res5, res6, res7;
 320     // Add/substract
 321     const __m128i q0 = _mm_add_epi16(in0, in7);
 322     const __m128i q1 = _mm_add_epi16(in1, in6);
 323     const __m128i q2 = _mm_add_epi16(in2, in5);
 324     const __m128i q3 = _mm_add_epi16(in3, in4);
 325     const __m128i q4 = _mm_sub_epi16(in3, in4);
 326     const __m128i q5 = _mm_sub_epi16(in2, in5);
 327     const __m128i q6 = _mm_sub_epi16(in1, in6);
 328     const __m128i q7 = _mm_sub_epi16(in0, in7);
 329     // Work on first four results
 330     {
 331       // Add/substract
 332       const __m128i r0 = _mm_add_epi16(q0, q3);
 333       const __m128i r1 = _mm_add_epi16(q1, q2);
 334       const __m128i r2 = _mm_sub_epi16(q1, q2);
 335       const __m128i r3 = _mm_sub_epi16(q0, q3);
 336       // Interleave to do the multiply by constants which gets us into 32bits
 337       const __m128i t0 = _mm_unpacklo_epi16(r0, r1);
 338       const __m128i t1 = _mm_unpackhi_epi16(r0, r1);
 339       const __m128i t2 = _mm_unpacklo_epi16(r2, r3);
 340       const __m128i t3 = _mm_unpackhi_epi16(r2, r3);
 341       const __m128i u0 = _mm_madd_epi16(t0, k__cospi_p16_p16);
 342       const __m128i u1 = _mm_madd_epi16(t1, k__cospi_p16_p16);
 343       const __m128i u2 = _mm_madd_epi16(t0, k__cospi_p16_m16);
 344       const __m128i u3 = _mm_madd_epi16(t1, k__cospi_p16_m16);
 345       const __m128i u4 = _mm_madd_epi16(t2, k__cospi_p24_p08);
 346       const __m128i u5 = _mm_madd_epi16(t3, k__cospi_p24_p08);
 347       const __m128i u6 = _mm_madd_epi16(t2, k__cospi_m08_p24);
 348       const __m128i u7 = _mm_madd_epi16(t3, k__cospi_m08_p24);
 349       // dct_const_round_shift
 350       const __m128i v0 = _mm_add_epi32(u0, k__DCT_CONST_ROUNDING);
 351       const __m128i v1 = _mm_add_epi32(u1, k__DCT_CONST_ROUNDING);
 352       const __m128i v2 = _mm_add_epi32(u2, k__DCT_CONST_ROUNDING);
 353       const __m128i v3 = _mm_add_epi32(u3, k__DCT_CONST_ROUNDING);
 354       const __m128i v4 = _mm_add_epi32(u4, k__DCT_CONST_ROUNDING);
 355       const __m128i v5 = _mm_add_epi32(u5, k__DCT_CONST_ROUNDING);
 356       const __m128i v6 = _mm_add_epi32(u6, k__DCT_CONST_ROUNDING);
 357       const __m128i v7 = _mm_add_epi32(u7, k__DCT_CONST_ROUNDING);
 358       const __m128i w0 = _mm_srai_epi32(v0, DCT_CONST_BITS);
 359       const __m128i w1 = _mm_srai_epi32(v1, DCT_CONST_BITS);
 360       const __m128i w2 = _mm_srai_epi32(v2, DCT_CONST_BITS);
 361       const __m128i w3 = _mm_srai_epi32(v3, DCT_CONST_BITS);
 362       const __m128i w4 = _mm_srai_epi32(v4, DCT_CONST_BITS);
 363       const __m128i w5 = _mm_srai_epi32(v5, DCT_CONST_BITS);
 364       const __m128i w6 = _mm_srai_epi32(v6, DCT_CONST_BITS);
 365       const __m128i w7 = _mm_srai_epi32(v7, DCT_CONST_BITS);
 366       // Combine
 367       res0 = _mm_packs_epi32(w0, w1);
 368       res4 = _mm_packs_epi32(w2, w3);
 369       res2 = _mm_packs_epi32(w4, w5);
 370       res6 = _mm_packs_epi32(w6, w7);
 371     }
 372     // Work on next four results
 373     {
 374       // Interleave to do the multiply by constants which gets us into 32bits
 375       const __m128i d0 = _mm_unpacklo_epi16(q6, q5);
 376       const __m128i d1 = _mm_unpackhi_epi16(q6, q5);
 377       const __m128i e0 = _mm_madd_epi16(d0, k__cospi_p16_m16);
 378       const __m128i e1 = _mm_madd_epi16(d1, k__cospi_p16_m16);
 379       const __m128i e2 = _mm_madd_epi16(d0, k__cospi_p16_p16);
 380       const __m128i e3 = _mm_madd_epi16(d1, k__cospi_p16_p16);
 381       // dct_const_round_shift
 382       const __m128i f0 = _mm_add_epi32(e0, k__DCT_CONST_ROUNDING);
 383       const __m128i f1 = _mm_add_epi32(e1, k__DCT_CONST_ROUNDING);
 384       const __m128i f2 = _mm_add_epi32(e2, k__DCT_CONST_ROUNDING);
 385       const __m128i f3 = _mm_add_epi32(e3, k__DCT_CONST_ROUNDING);
 386       const __m128i s0 = _mm_srai_epi32(f0, DCT_CONST_BITS);
 387       const __m128i s1 = _mm_srai_epi32(f1, DCT_CONST_BITS);
 388       const __m128i s2 = _mm_srai_epi32(f2, DCT_CONST_BITS);
 389       const __m128i s3 = _mm_srai_epi32(f3, DCT_CONST_BITS);
 390       // Combine
 391       const __m128i r0 = _mm_packs_epi32(s0, s1);
 392       const __m128i r1 = _mm_packs_epi32(s2, s3);
 393       // Add/substract
 394       const __m128i x0 = _mm_add_epi16(q4, r0);
 395       const __m128i x1 = _mm_sub_epi16(q4, r0);
 396       const __m128i x2 = _mm_sub_epi16(q7, r1);
 397       const __m128i x3 = _mm_add_epi16(q7, r1);
 398       // Interleave to do the multiply by constants which gets us into 32bits
 399       const __m128i t0 = _mm_unpacklo_epi16(x0, x3);
 400       const __m128i t1 = _mm_unpackhi_epi16(x0, x3);
 401       const __m128i t2 = _mm_unpacklo_epi16(x1, x2);
 402       const __m128i t3 = _mm_unpackhi_epi16(x1, x2);
 403       const __m128i u0 = _mm_madd_epi16(t0, k__cospi_p28_p04);
 404       const __m128i u1 = _mm_madd_epi16(t1, k__cospi_p28_p04);
 405       const __m128i u2 = _mm_madd_epi16(t0, k__cospi_m04_p28);
 406       const __m128i u3 = _mm_madd_epi16(t1, k__cospi_m04_p28);
 407       const __m128i u4 = _mm_madd_epi16(t2, k__cospi_p12_p20);
 408       const __m128i u5 = _mm_madd_epi16(t3, k__cospi_p12_p20);
 409       const __m128i u6 = _mm_madd_epi16(t2, k__cospi_m20_p12);
 410       const __m128i u7 = _mm_madd_epi16(t3, k__cospi_m20_p12);
 411       // dct_const_round_shift
 412       const __m128i v0 = _mm_add_epi32(u0, k__DCT_CONST_ROUNDING);
 413       const __m128i v1 = _mm_add_epi32(u1, k__DCT_CONST_ROUNDING);
 414       const __m128i v2 = _mm_add_epi32(u2, k__DCT_CONST_ROUNDING);
 415       const __m128i v3 = _mm_add_epi32(u3, k__DCT_CONST_ROUNDING);
 416       const __m128i v4 = _mm_add_epi32(u4, k__DCT_CONST_ROUNDING);
 417       const __m128i v5 = _mm_add_epi32(u5, k__DCT_CONST_ROUNDING);
 418       const __m128i v6 = _mm_add_epi32(u6, k__DCT_CONST_ROUNDING);
 419       const __m128i v7 = _mm_add_epi32(u7, k__DCT_CONST_ROUNDING);
 420       const __m128i w0 = _mm_srai_epi32(v0, DCT_CONST_BITS);
 421       const __m128i w1 = _mm_srai_epi32(v1, DCT_CONST_BITS);
 422       const __m128i w2 = _mm_srai_epi32(v2, DCT_CONST_BITS);
 423       const __m128i w3 = _mm_srai_epi32(v3, DCT_CONST_BITS);
 424       const __m128i w4 = _mm_srai_epi32(v4, DCT_CONST_BITS);
 425       const __m128i w5 = _mm_srai_epi32(v5, DCT_CONST_BITS);
 426       const __m128i w6 = _mm_srai_epi32(v6, DCT_CONST_BITS);
 427       const __m128i w7 = _mm_srai_epi32(v7, DCT_CONST_BITS);
 428       // Combine
 429       res1 = _mm_packs_epi32(w0, w1);
 430       res7 = _mm_packs_epi32(w2, w3);
 431       res5 = _mm_packs_epi32(w4, w5);
 432       res3 = _mm_packs_epi32(w6, w7);
 433     }
 434     // Transpose the 8x8.
 435     {
 436       // 00 01 02 03 04 05 06 07
 437       // 10 11 12 13 14 15 16 17
 438       // 20 21 22 23 24 25 26 27
 439       // 30 31 32 33 34 35 36 37
 440       // 40 41 42 43 44 45 46 47
 441       // 50 51 52 53 54 55 56 57
 442       // 60 61 62 63 64 65 66 67
 443       // 70 71 72 73 74 75 76 77
 444       const __m128i tr0_0 = _mm_unpacklo_epi16(res0, res1);
 445       const __m128i tr0_1 = _mm_unpacklo_epi16(res2, res3);
 446       const __m128i tr0_2 = _mm_unpackhi_epi16(res0, res1);
 447       const __m128i tr0_3 = _mm_unpackhi_epi16(res2, res3);
 448       const __m128i tr0_4 = _mm_unpacklo_epi16(res4, res5);
 449       const __m128i tr0_5 = _mm_unpacklo_epi16(res6, res7);
 450       const __m128i tr0_6 = _mm_unpackhi_epi16(res4, res5);
 451       const __m128i tr0_7 = _mm_unpackhi_epi16(res6, res7);
 452       // 00 10 01 11 02 12 03 13
 453       // 20 30 21 31 22 32 23 33
 454       // 04 14 05 15 06 16 07 17
 455       // 24 34 25 35 26 36 27 37
 456       // 40 50 41 51 42 52 43 53
 457       // 60 70 61 71 62 72 63 73
 458       // 54 54 55 55 56 56 57 57
 459       // 64 74 65 75 66 76 67 77
 460       const __m128i tr1_0 = _mm_unpacklo_epi32(tr0_0, tr0_1);
 461       const __m128i tr1_1 = _mm_unpacklo_epi32(tr0_2, tr0_3);
 462       const __m128i tr1_2 = _mm_unpackhi_epi32(tr0_0, tr0_1);
 463       const __m128i tr1_3 = _mm_unpackhi_epi32(tr0_2, tr0_3);
 464       const __m128i tr1_4 = _mm_unpacklo_epi32(tr0_4, tr0_5);
 465       const __m128i tr1_5 = _mm_unpacklo_epi32(tr0_6, tr0_7);
 466       const __m128i tr1_6 = _mm_unpackhi_epi32(tr0_4, tr0_5);
 467       const __m128i tr1_7 = _mm_unpackhi_epi32(tr0_6, tr0_7);
 468       // 00 10 20 30 01 11 21 31
 469       // 40 50 60 70 41 51 61 71
 470       // 02 12 22 32 03 13 23 33
 471       // 42 52 62 72 43 53 63 73
 472       // 04 14 24 34 05 15 21 36
 473       // 44 54 64 74 45 55 61 76
 474       // 06 16 26 36 07 17 27 37
 475       // 46 56 66 76 47 57 67 77
 476       in0 = _mm_unpacklo_epi64(tr1_0, tr1_4);
 477       in1 = _mm_unpackhi_epi64(tr1_0, tr1_4);
 478       in2 = _mm_unpacklo_epi64(tr1_2, tr1_6);
 479       in3 = _mm_unpackhi_epi64(tr1_2, tr1_6);
 480       in4 = _mm_unpacklo_epi64(tr1_1, tr1_5);
 481       in5 = _mm_unpackhi_epi64(tr1_1, tr1_5);
 482       in6 = _mm_unpacklo_epi64(tr1_3, tr1_7);
 483       in7 = _mm_unpackhi_epi64(tr1_3, tr1_7);
 484       // 00 10 20 30 40 50 60 70
 485       // 01 11 21 31 41 51 61 71
 486       // 02 12 22 32 42 52 62 72
 487       // 03 13 23 33 43 53 63 73
 488       // 04 14 24 34 44 54 64 74
 489       // 05 15 25 35 45 55 65 75
 490       // 06 16 26 36 46 56 66 76
 491       // 07 17 27 37 47 57 67 77
 492     }
 493   }
 494   // Post-condition output and store it
 495   {
 496     // Post-condition (division by two)
 497     //    division of two 16 bits signed numbers using shifts
 498     //    n / 2 = (n - (n >> 15)) >> 1
 499     const __m128i sign_in0 = _mm_srai_epi16(in0, 15);
 500     const __m128i sign_in1 = _mm_srai_epi16(in1, 15);
 501     const __m128i sign_in2 = _mm_srai_epi16(in2, 15);
 502     const __m128i sign_in3 = _mm_srai_epi16(in3, 15);
 503     const __m128i sign_in4 = _mm_srai_epi16(in4, 15);
 504     const __m128i sign_in5 = _mm_srai_epi16(in5, 15);
 505     const __m128i sign_in6 = _mm_srai_epi16(in6, 15);
 506     const __m128i sign_in7 = _mm_srai_epi16(in7, 15);
 507     in0 = _mm_sub_epi16(in0, sign_in0);
 508     in1 = _mm_sub_epi16(in1, sign_in1);
 509     in2 = _mm_sub_epi16(in2, sign_in2);
 510     in3 = _mm_sub_epi16(in3, sign_in3);
 511     in4 = _mm_sub_epi16(in4, sign_in4);
 512     in5 = _mm_sub_epi16(in5, sign_in5);
 513     in6 = _mm_sub_epi16(in6, sign_in6);
 514     in7 = _mm_sub_epi16(in7, sign_in7);
 515     in0 = _mm_srai_epi16(in0, 1);
 516     in1 = _mm_srai_epi16(in1, 1);
 517     in2 = _mm_srai_epi16(in2, 1);
 518     in3 = _mm_srai_epi16(in3, 1);
 519     in4 = _mm_srai_epi16(in4, 1);
 520     in5 = _mm_srai_epi16(in5, 1);
 521     in6 = _mm_srai_epi16(in6, 1);
 522     in7 = _mm_srai_epi16(in7, 1);
 523     // store results
 524     _mm_store_si128((__m128i *)(output + 0 * 8), in0);
 525     _mm_store_si128((__m128i *)(output + 1 * 8), in1);
 526     _mm_store_si128((__m128i *)(output + 2 * 8), in2);
 527     _mm_store_si128((__m128i *)(output + 3 * 8), in3);
 528     _mm_store_si128((__m128i *)(output + 4 * 8), in4);
 529     _mm_store_si128((__m128i *)(output + 5 * 8), in5);
 530     _mm_store_si128((__m128i *)(output + 6 * 8), in6);
 531     _mm_store_si128((__m128i *)(output + 7 * 8), in7);
 532   }
 533 }
 534
 535 // load 8x8 array
 536 static INLINE void load_buffer_8x8_avx2(const int16_t *input, __m128i *in,
 537                                    int stride) {
 538   in[0]  = _mm_load_si128((const __m128i *)(input + 0 * stride));
 539   in[1]  = _mm_load_si128((const __m128i *)(input + 1 * stride));
 540   in[2]  = _mm_load_si128((const __m128i *)(input + 2 * stride));
 541   in[3]  = _mm_load_si128((const __m128i *)(input + 3 * stride));
 542   in[4]  = _mm_load_si128((const __m128i *)(input + 4 * stride));
 543   in[5]  = _mm_load_si128((const __m128i *)(input + 5 * stride));
 544   in[6]  = _mm_load_si128((const __m128i *)(input + 6 * stride));
 545   in[7]  = _mm_load_si128((const __m128i *)(input + 7 * stride));
 546
 547   in[0] = _mm_slli_epi16(in[0], 2);
 548   in[1] = _mm_slli_epi16(in[1], 2);
 549   in[2] = _mm_slli_epi16(in[2], 2);
 550   in[3] = _mm_slli_epi16(in[3], 2);
 551   in[4] = _mm_slli_epi16(in[4], 2);
 552   in[5] = _mm_slli_epi16(in[5], 2);
 553   in[6] = _mm_slli_epi16(in[6], 2);
 554   in[7] = _mm_slli_epi16(in[7], 2);
 555 }
 556
 557 // right shift and rounding
 558 static INLINE void right_shift_8x8_avx2(__m128i *res, int const bit) {
 559   const __m128i kOne = _mm_set1_epi16(1);
 560   const int bit_m02 = bit - 2;
 561   __m128i sign0 = _mm_srai_epi16(res[0], 15);
 562   __m128i sign1 = _mm_srai_epi16(res[1], 15);
 563   __m128i sign2 = _mm_srai_epi16(res[2], 15);
 564   __m128i sign3 = _mm_srai_epi16(res[3], 15);
 565   __m128i sign4 = _mm_srai_epi16(res[4], 15);
 566   __m128i sign5 = _mm_srai_epi16(res[5], 15);
 567   __m128i sign6 = _mm_srai_epi16(res[6], 15);
 568   __m128i sign7 = _mm_srai_epi16(res[7], 15);
 569
 570   if (bit_m02 >= 0) {
 571     __m128i k_const_rounding = _mm_slli_epi16(kOne, bit_m02);
 572     res[0] = _mm_add_epi16(res[0], k_const_rounding);
 573     res[1] = _mm_add_epi16(res[1], k_const_rounding);
 574     res[2] = _mm_add_epi16(res[2], k_const_rounding);
 575     res[3] = _mm_add_epi16(res[3], k_const_rounding);
 576     res[4] = _mm_add_epi16(res[4], k_const_rounding);
 577     res[5] = _mm_add_epi16(res[5], k_const_rounding);
 578     res[6] = _mm_add_epi16(res[6], k_const_rounding);
 579     res[7] = _mm_add_epi16(res[7], k_const_rounding);
 580   }
 581
 582   res[0] = _mm_sub_epi16(res[0], sign0);
 583   res[1] = _mm_sub_epi16(res[1], sign1);
 584   res[2] = _mm_sub_epi16(res[2], sign2);
 585   res[3] = _mm_sub_epi16(res[3], sign3);
 586   res[4] = _mm_sub_epi16(res[4], sign4);
 587   res[5] = _mm_sub_epi16(res[5], sign5);
 588   res[6] = _mm_sub_epi16(res[6], sign6);
 589   res[7] = _mm_sub_epi16(res[7], sign7);
 590
 591   res[0] = _mm_srai_epi16(res[0], bit);
 592   res[1] = _mm_srai_epi16(res[1], bit);
 593   res[2] = _mm_srai_epi16(res[2], bit);
 594   res[3] = _mm_srai_epi16(res[3], bit);
 595   res[4] = _mm_srai_epi16(res[4], bit);
 596   res[5] = _mm_srai_epi16(res[5], bit);
 597   res[6] = _mm_srai_epi16(res[6], bit);
 598   res[7] = _mm_srai_epi16(res[7], bit);
 599 }
 600
 601 // write 8x8 array
 602 static INLINE void write_buffer_8x8_avx2(int16_t *output, __m128i *res, int stride) {
 603   _mm_store_si128((__m128i *)(output + 0 * stride), res[0]);
 604   _mm_store_si128((__m128i *)(output + 1 * stride), res[1]);
 605   _mm_store_si128((__m128i *)(output + 2 * stride), res[2]);
 606   _mm_store_si128((__m128i *)(output + 3 * stride), res[3]);
 607   _mm_store_si128((__m128i *)(output + 4 * stride), res[4]);
 608   _mm_store_si128((__m128i *)(output + 5 * stride), res[5]);
 609   _mm_store_si128((__m128i *)(output + 6 * stride), res[6]);
 610   _mm_store_si128((__m128i *)(output + 7 * stride), res[7]);
 611 }
 612
 613 // perform in-place transpose
 614 static INLINE void array_transpose_8x8_avx2(__m128i *in, __m128i *res) {
 615   const __m128i tr0_0 = _mm_unpacklo_epi16(in[0], in[1]);
 616   const __m128i tr0_1 = _mm_unpacklo_epi16(in[2], in[3]);
 617   const __m128i tr0_2 = _mm_unpackhi_epi16(in[0], in[1]);
 618   const __m128i tr0_3 = _mm_unpackhi_epi16(in[2], in[3]);
 619   const __m128i tr0_4 = _mm_unpacklo_epi16(in[4], in[5]);
 620   const __m128i tr0_5 = _mm_unpacklo_epi16(in[6], in[7]);
 621   const __m128i tr0_6 = _mm_unpackhi_epi16(in[4], in[5]);
 622   const __m128i tr0_7 = _mm_unpackhi_epi16(in[6], in[7]);
 623   // 00 10 01 11 02 12 03 13
 624   // 20 30 21 31 22 32 23 33
 625   // 04 14 05 15 06 16 07 17
 626   // 24 34 25 35 26 36 27 37
 627   // 40 50 41 51 42 52 43 53
 628   // 60 70 61 71 62 72 63 73
 629   // 44 54 45 55 46 56 47 57
 630   // 64 74 65 75 66 76 67 77
 631   const __m128i tr1_0 = _mm_unpacklo_epi32(tr0_0, tr0_1);
 632   const __m128i tr1_1 = _mm_unpacklo_epi32(tr0_4, tr0_5);
 633   const __m128i tr1_2 = _mm_unpackhi_epi32(tr0_0, tr0_1);
 634   const __m128i tr1_3 = _mm_unpackhi_epi32(tr0_4, tr0_5);
 635   const __m128i tr1_4 = _mm_unpacklo_epi32(tr0_2, tr0_3);
 636   const __m128i tr1_5 = _mm_unpacklo_epi32(tr0_6, tr0_7);
 637   const __m128i tr1_6 = _mm_unpackhi_epi32(tr0_2, tr0_3);
 638   const __m128i tr1_7 = _mm_unpackhi_epi32(tr0_6, tr0_7);
 639   // 00 10 20 30 01 11 21 31
 640   // 40 50 60 70 41 51 61 71
 641   // 02 12 22 32 03 13 23 33
 642   // 42 52 62 72 43 53 63 73
 643   // 04 14 24 34 05 15 25 35
 644   // 44 54 64 74 45 55 65 75
 645   // 06 16 26 36 07 17 27 37
 646   // 46 56 66 76 47 57 67 77
 647   res[0] = _mm_unpacklo_epi64(tr1_0, tr1_1);
 648   res[1] = _mm_unpackhi_epi64(tr1_0, tr1_1);
 649   res[2] = _mm_unpacklo_epi64(tr1_2, tr1_3);
 650   res[3] = _mm_unpackhi_epi64(tr1_2, tr1_3);
 651   res[4] = _mm_unpacklo_epi64(tr1_4, tr1_5);
 652   res[5] = _mm_unpackhi_epi64(tr1_4, tr1_5);
 653   res[6] = _mm_unpacklo_epi64(tr1_6, tr1_7);
 654   res[7] = _mm_unpackhi_epi64(tr1_6, tr1_7);
 655   // 00 10 20 30 40 50 60 70
 656   // 01 11 21 31 41 51 61 71
 657   // 02 12 22 32 42 52 62 72
 658   // 03 13 23 33 43 53 63 73
 659   // 04 14 24 34 44 54 64 74
 660   // 05 15 25 35 45 55 65 75
 661   // 06 16 26 36 46 56 66 76
 662   // 07 17 27 37 47 57 67 77
 663 }
 664
 665 void fdct8_avx2(__m128i *in) {
 666   // constants
 667   const __m128i k__cospi_p16_p16 = _mm_set1_epi16(cospi_16_64);
 668   const __m128i k__cospi_p16_m16 = pair_set_epi16(cospi_16_64, -cospi_16_64);
 669   const __m128i k__cospi_p24_p08 = pair_set_epi16(cospi_24_64, cospi_8_64);
 670   const __m128i k__cospi_m08_p24 = pair_set_epi16(-cospi_8_64, cospi_24_64);
 671   const __m128i k__cospi_p28_p04 = pair_set_epi16(cospi_28_64, cospi_4_64);
 672   const __m128i k__cospi_m04_p28 = pair_set_epi16(-cospi_4_64, cospi_28_64);
 673   const __m128i k__cospi_p12_p20 = pair_set_epi16(cospi_12_64, cospi_20_64);
 674   const __m128i k__cospi_m20_p12 = pair_set_epi16(-cospi_20_64, cospi_12_64);
 675   const __m128i k__DCT_CONST_ROUNDING = _mm_set1_epi32(DCT_CONST_ROUNDING);
 676   __m128i u0, u1, u2, u3, u4, u5, u6, u7;
 677   __m128i v0, v1, v2, v3, v4, v5, v6, v7;
 678   __m128i s0, s1, s2, s3, s4, s5, s6, s7;
 679
 680   // stage 1
 681   s0 = _mm_add_epi16(in[0], in[7]);
 682   s1 = _mm_add_epi16(in[1], in[6]);
 683   s2 = _mm_add_epi16(in[2], in[5]);
 684   s3 = _mm_add_epi16(in[3], in[4]);
 685   s4 = _mm_sub_epi16(in[3], in[4]);
 686   s5 = _mm_sub_epi16(in[2], in[5]);
 687   s6 = _mm_sub_epi16(in[1], in[6]);
 688   s7 = _mm_sub_epi16(in[0], in[7]);
 689
 690   u0 = _mm_add_epi16(s0, s3);
 691   u1 = _mm_add_epi16(s1, s2);
 692   u2 = _mm_sub_epi16(s1, s2);
 693   u3 = _mm_sub_epi16(s0, s3);
 694   // interleave and perform butterfly multiplication/addition
 695   v0 = _mm_unpacklo_epi16(u0, u1);
 696   v1 = _mm_unpackhi_epi16(u0, u1);
 697   v2 = _mm_unpacklo_epi16(u2, u3);
 698   v3 = _mm_unpackhi_epi16(u2, u3);
 699
 700   u0 = _mm_madd_epi16(v0, k__cospi_p16_p16);
 701   u1 = _mm_madd_epi16(v1, k__cospi_p16_p16);
 702   u2 = _mm_madd_epi16(v0, k__cospi_p16_m16);
 703   u3 = _mm_madd_epi16(v1, k__cospi_p16_m16);
 704   u4 = _mm_madd_epi16(v2, k__cospi_p24_p08);
 705   u5 = _mm_madd_epi16(v3, k__cospi_p24_p08);
 706   u6 = _mm_madd_epi16(v2, k__cospi_m08_p24);
 707   u7 = _mm_madd_epi16(v3, k__cospi_m08_p24);
 708
 709   // shift and rounding
 710   v0 = _mm_add_epi32(u0, k__DCT_CONST_ROUNDING);
 711   v1 = _mm_add_epi32(u1, k__DCT_CONST_ROUNDING);
 712   v2 = _mm_add_epi32(u2, k__DCT_CONST_ROUNDING);
 713   v3 = _mm_add_epi32(u3, k__DCT_CONST_ROUNDING);
 714   v4 = _mm_add_epi32(u4, k__DCT_CONST_ROUNDING);
 715   v5 = _mm_add_epi32(u5, k__DCT_CONST_ROUNDING);
 716   v6 = _mm_add_epi32(u6, k__DCT_CONST_ROUNDING);
 717   v7 = _mm_add_epi32(u7, k__DCT_CONST_ROUNDING);
 718
 719   u0 = _mm_srai_epi32(v0, DCT_CONST_BITS);
 720   u1 = _mm_srai_epi32(v1, DCT_CONST_BITS);
 721   u2 = _mm_srai_epi32(v2, DCT_CONST_BITS);
 722   u3 = _mm_srai_epi32(v3, DCT_CONST_BITS);
 723   u4 = _mm_srai_epi32(v4, DCT_CONST_BITS);
 724   u5 = _mm_srai_epi32(v5, DCT_CONST_BITS);
 725   u6 = _mm_srai_epi32(v6, DCT_CONST_BITS);
 726   u7 = _mm_srai_epi32(v7, DCT_CONST_BITS);
 727
 728   in[0] = _mm_packs_epi32(u0, u1);
 729   in[2] = _mm_packs_epi32(u4, u5);
 730   in[4] = _mm_packs_epi32(u2, u3);
 731   in[6] = _mm_packs_epi32(u6, u7);
 732
 733   // stage 2
 734   // interleave and perform butterfly multiplication/addition
 735   u0 = _mm_unpacklo_epi16(s6, s5);
 736   u1 = _mm_unpackhi_epi16(s6, s5);
 737   v0 = _mm_madd_epi16(u0, k__cospi_p16_m16);
 738   v1 = _mm_madd_epi16(u1, k__cospi_p16_m16);
 739   v2 = _mm_madd_epi16(u0, k__cospi_p16_p16);
 740   v3 = _mm_madd_epi16(u1, k__cospi_p16_p16);
 741
 742   // shift and rounding
 743   u0 = _mm_add_epi32(v0, k__DCT_CONST_ROUNDING);
 744   u1 = _mm_add_epi32(v1, k__DCT_CONST_ROUNDING);
 745   u2 = _mm_add_epi32(v2, k__DCT_CONST_ROUNDING);
 746   u3 = _mm_add_epi32(v3, k__DCT_CONST_ROUNDING);
 747
 748   v0 = _mm_srai_epi32(u0, DCT_CONST_BITS);
 749   v1 = _mm_srai_epi32(u1, DCT_CONST_BITS);
 750   v2 = _mm_srai_epi32(u2, DCT_CONST_BITS);
 751   v3 = _mm_srai_epi32(u3, DCT_CONST_BITS);
 752
 753   u0 = _mm_packs_epi32(v0, v1);
 754   u1 = _mm_packs_epi32(v2, v3);
 755
 756   // stage 3
 757   s0 = _mm_add_epi16(s4, u0);
 758   s1 = _mm_sub_epi16(s4, u0);
 759   s2 = _mm_sub_epi16(s7, u1);
 760   s3 = _mm_add_epi16(s7, u1);
 761
 762   // stage 4
 763   u0 = _mm_unpacklo_epi16(s0, s3);
 764   u1 = _mm_unpackhi_epi16(s0, s3);
 765   u2 = _mm_unpacklo_epi16(s1, s2);
 766   u3 = _mm_unpackhi_epi16(s1, s2);
 767
 768   v0 = _mm_madd_epi16(u0, k__cospi_p28_p04);
 769   v1 = _mm_madd_epi16(u1, k__cospi_p28_p04);
 770   v2 = _mm_madd_epi16(u2, k__cospi_p12_p20);
 771   v3 = _mm_madd_epi16(u3, k__cospi_p12_p20);
 772   v4 = _mm_madd_epi16(u2, k__cospi_m20_p12);
 773   v5 = _mm_madd_epi16(u3, k__cospi_m20_p12);
 774   v6 = _mm_madd_epi16(u0, k__cospi_m04_p28);
 775   v7 = _mm_madd_epi16(u1, k__cospi_m04_p28);
 776
 777   // shift and rounding
 778   u0 = _mm_add_epi32(v0, k__DCT_CONST_ROUNDING);
 779   u1 = _mm_add_epi32(v1, k__DCT_CONST_ROUNDING);
 780   u2 = _mm_add_epi32(v2, k__DCT_CONST_ROUNDING);
 781   u3 = _mm_add_epi32(v3, k__DCT_CONST_ROUNDING);
 782   u4 = _mm_add_epi32(v4, k__DCT_CONST_ROUNDING);
 783   u5 = _mm_add_epi32(v5, k__DCT_CONST_ROUNDING);
 784   u6 = _mm_add_epi32(v6, k__DCT_CONST_ROUNDING);
 785   u7 = _mm_add_epi32(v7, k__DCT_CONST_ROUNDING);
 786
 787   v0 = _mm_srai_epi32(u0, DCT_CONST_BITS);
 788   v1 = _mm_srai_epi32(u1, DCT_CONST_BITS);
 789   v2 = _mm_srai_epi32(u2, DCT_CONST_BITS);
 790   v3 = _mm_srai_epi32(u3, DCT_CONST_BITS);
 791   v4 = _mm_srai_epi32(u4, DCT_CONST_BITS);
 792   v5 = _mm_srai_epi32(u5, DCT_CONST_BITS);
 793   v6 = _mm_srai_epi32(u6, DCT_CONST_BITS);
 794   v7 = _mm_srai_epi32(u7, DCT_CONST_BITS);
 795
 796   in[1] = _mm_packs_epi32(v0, v1);
 797   in[3] = _mm_packs_epi32(v4, v5);
 798   in[5] = _mm_packs_epi32(v2, v3);
 799   in[7] = _mm_packs_epi32(v6, v7);
 800
 801   // transpose
 802   array_transpose_8x8_avx2(in, in);
 803 }
 804
 805 void fadst8_avx2(__m128i *in) {
 806   // Constants
 807   const __m128i k__cospi_p02_p30 = pair_set_epi16(cospi_2_64, cospi_30_64);
 808   const __m128i k__cospi_p30_m02 = pair_set_epi16(cospi_30_64, -cospi_2_64);
 809   const __m128i k__cospi_p10_p22 = pair_set_epi16(cospi_10_64, cospi_22_64);
 810   const __m128i k__cospi_p22_m10 = pair_set_epi16(cospi_22_64, -cospi_10_64);
 811   const __m128i k__cospi_p18_p14 = pair_set_epi16(cospi_18_64, cospi_14_64);
 812   const __m128i k__cospi_p14_m18 = pair_set_epi16(cospi_14_64, -cospi_18_64);
 813   const __m128i k__cospi_p26_p06 = pair_set_epi16(cospi_26_64, cospi_6_64);
 814   const __m128i k__cospi_p06_m26 = pair_set_epi16(cospi_6_64, -cospi_26_64);
 815   const __m128i k__cospi_p08_p24 = pair_set_epi16(cospi_8_64, cospi_24_64);
 816   const __m128i k__cospi_p24_m08 = pair_set_epi16(cospi_24_64, -cospi_8_64);
 817   const __m128i k__cospi_m24_p08 = pair_set_epi16(-cospi_24_64, cospi_8_64);
 818   const __m128i k__cospi_p16_m16 = pair_set_epi16(cospi_16_64, -cospi_16_64);
 819   const __m128i k__cospi_p16_p16 = _mm_set1_epi16(cospi_16_64);
 820   const __m128i k__const_0 = _mm_set1_epi16(0);
 821   const __m128i k__DCT_CONST_ROUNDING = _mm_set1_epi32(DCT_CONST_ROUNDING);
 822
 823   __m128i u0, u1, u2, u3, u4, u5, u6, u7, u8, u9, u10, u11, u12, u13, u14, u15;
 824   __m128i v0, v1, v2, v3, v4, v5, v6, v7, v8, v9, v10, v11, v12, v13, v14, v15;
 825   __m128i w0, w1, w2, w3, w4, w5, w6, w7, w8, w9, w10, w11, w12, w13, w14, w15;
 826   __m128i s0, s1, s2, s3, s4, s5, s6, s7;
 827   __m128i in0, in1, in2, in3, in4, in5, in6, in7;
 828
 829   // properly aligned for butterfly input
 830   in0  = in[7];
 831   in1  = in[0];
 832   in2  = in[5];
 833   in3  = in[2];
 834   in4  = in[3];
 835   in5  = in[4];
 836   in6  = in[1];
 837   in7  = in[6];
 838
 839   // column transformation
 840   // stage 1
 841   // interleave and multiply/add into 32-bit integer
 842   s0 = _mm_unpacklo_epi16(in0, in1);
 843   s1 = _mm_unpackhi_epi16(in0, in1);
 844   s2 = _mm_unpacklo_epi16(in2, in3);
 845   s3 = _mm_unpackhi_epi16(in2, in3);
 846   s4 = _mm_unpacklo_epi16(in4, in5);
 847   s5 = _mm_unpackhi_epi16(in4, in5);
 848   s6 = _mm_unpacklo_epi16(in6, in7);
 849   s7 = _mm_unpackhi_epi16(in6, in7);
 850
 851   u0 = _mm_madd_epi16(s0, k__cospi_p02_p30);
 852   u1 = _mm_madd_epi16(s1, k__cospi_p02_p30);
 853   u2 = _mm_madd_epi16(s0, k__cospi_p30_m02);
 854   u3 = _mm_madd_epi16(s1, k__cospi_p30_m02);
 855   u4 = _mm_madd_epi16(s2, k__cospi_p10_p22);
 856   u5 = _mm_madd_epi16(s3, k__cospi_p10_p22);
 857   u6 = _mm_madd_epi16(s2, k__cospi_p22_m10);
 858   u7 = _mm_madd_epi16(s3, k__cospi_p22_m10);
 859   u8 = _mm_madd_epi16(s4, k__cospi_p18_p14);
 860   u9 = _mm_madd_epi16(s5, k__cospi_p18_p14);
 861   u10 = _mm_madd_epi16(s4, k__cospi_p14_m18);
 862   u11 = _mm_madd_epi16(s5, k__cospi_p14_m18);
 863   u12 = _mm_madd_epi16(s6, k__cospi_p26_p06);
 864   u13 = _mm_madd_epi16(s7, k__cospi_p26_p06);
 865   u14 = _mm_madd_epi16(s6, k__cospi_p06_m26);
 866   u15 = _mm_madd_epi16(s7, k__cospi_p06_m26);
 867
 868   // addition
 869   w0 = _mm_add_epi32(u0, u8);
 870   w1 = _mm_add_epi32(u1, u9);
 871   w2 = _mm_add_epi32(u2, u10);
 872   w3 = _mm_add_epi32(u3, u11);
 873   w4 = _mm_add_epi32(u4, u12);
 874   w5 = _mm_add_epi32(u5, u13);
 875   w6 = _mm_add_epi32(u6, u14);
 876   w7 = _mm_add_epi32(u7, u15);
 877   w8 = _mm_sub_epi32(u0, u8);
 878   w9 = _mm_sub_epi32(u1, u9);
 879   w10 = _mm_sub_epi32(u2, u10);
 880   w11 = _mm_sub_epi32(u3, u11);
 881   w12 = _mm_sub_epi32(u4, u12);
 882   w13 = _mm_sub_epi32(u5, u13);
 883   w14 = _mm_sub_epi32(u6, u14);
 884   w15 = _mm_sub_epi32(u7, u15);
 885
 886   // shift and rounding
 887   v0 = _mm_add_epi32(w0, k__DCT_CONST_ROUNDING);
 888   v1 = _mm_add_epi32(w1, k__DCT_CONST_ROUNDING);
 889   v2 = _mm_add_epi32(w2, k__DCT_CONST_ROUNDING);
 890   v3 = _mm_add_epi32(w3, k__DCT_CONST_ROUNDING);
 891   v4 = _mm_add_epi32(w4, k__DCT_CONST_ROUNDING);
 892   v5 = _mm_add_epi32(w5, k__DCT_CONST_ROUNDING);
 893   v6 = _mm_add_epi32(w6, k__DCT_CONST_ROUNDING);
 894   v7 = _mm_add_epi32(w7, k__DCT_CONST_ROUNDING);
 895   v8 = _mm_add_epi32(w8, k__DCT_CONST_ROUNDING);
 896   v9 = _mm_add_epi32(w9, k__DCT_CONST_ROUNDING);
 897   v10 = _mm_add_epi32(w10, k__DCT_CONST_ROUNDING);
 898   v11 = _mm_add_epi32(w11, k__DCT_CONST_ROUNDING);
 899   v12 = _mm_add_epi32(w12, k__DCT_CONST_ROUNDING);
 900   v13 = _mm_add_epi32(w13, k__DCT_CONST_ROUNDING);
 901   v14 = _mm_add_epi32(w14, k__DCT_CONST_ROUNDING);
 902   v15 = _mm_add_epi32(w15, k__DCT_CONST_ROUNDING);
 903
 904   u0 = _mm_srai_epi32(v0, DCT_CONST_BITS);
 905   u1 = _mm_srai_epi32(v1, DCT_CONST_BITS);
 906   u2 = _mm_srai_epi32(v2, DCT_CONST_BITS);
 907   u3 = _mm_srai_epi32(v3, DCT_CONST_BITS);
 908   u4 = _mm_srai_epi32(v4, DCT_CONST_BITS);
 909   u5 = _mm_srai_epi32(v5, DCT_CONST_BITS);
 910   u6 = _mm_srai_epi32(v6, DCT_CONST_BITS);
 911   u7 = _mm_srai_epi32(v7, DCT_CONST_BITS);
 912   u8 = _mm_srai_epi32(v8, DCT_CONST_BITS);
 913   u9 = _mm_srai_epi32(v9, DCT_CONST_BITS);
 914   u10 = _mm_srai_epi32(v10, DCT_CONST_BITS);
 915   u11 = _mm_srai_epi32(v11, DCT_CONST_BITS);
 916   u12 = _mm_srai_epi32(v12, DCT_CONST_BITS);
 917   u13 = _mm_srai_epi32(v13, DCT_CONST_BITS);
 918   u14 = _mm_srai_epi32(v14, DCT_CONST_BITS);
 919   u15 = _mm_srai_epi32(v15, DCT_CONST_BITS);
 920
 921   // back to 16-bit and pack 8 integers into __m128i
 922   in[0] = _mm_packs_epi32(u0, u1);
 923   in[1] = _mm_packs_epi32(u2, u3);
 924   in[2] = _mm_packs_epi32(u4, u5);
 925   in[3] = _mm_packs_epi32(u6, u7);
 926   in[4] = _mm_packs_epi32(u8, u9);
 927   in[5] = _mm_packs_epi32(u10, u11);
 928   in[6] = _mm_packs_epi32(u12, u13);
 929   in[7] = _mm_packs_epi32(u14, u15);
 930
 931   // stage 2
 932   s0 = _mm_add_epi16(in[0], in[2]);
 933   s1 = _mm_add_epi16(in[1], in[3]);
 934   s2 = _mm_sub_epi16(in[0], in[2]);
 935   s3 = _mm_sub_epi16(in[1], in[3]);
 936   u0 = _mm_unpacklo_epi16(in[4], in[5]);
 937   u1 = _mm_unpackhi_epi16(in[4], in[5]);
 938   u2 = _mm_unpacklo_epi16(in[6], in[7]);
 939   u3 = _mm_unpackhi_epi16(in[6], in[7]);
 940
 941   v0 = _mm_madd_epi16(u0, k__cospi_p08_p24);
 942   v1 = _mm_madd_epi16(u1, k__cospi_p08_p24);
 943   v2 = _mm_madd_epi16(u0, k__cospi_p24_m08);
 944   v3 = _mm_madd_epi16(u1, k__cospi_p24_m08);
 945   v4 = _mm_madd_epi16(u2, k__cospi_m24_p08);
 946   v5 = _mm_madd_epi16(u3, k__cospi_m24_p08);
 947   v6 = _mm_madd_epi16(u2, k__cospi_p08_p24);
 948   v7 = _mm_madd_epi16(u3, k__cospi_p08_p24);
 949
 950   w0 = _mm_add_epi32(v0, v4);
 951   w1 = _mm_add_epi32(v1, v5);
 952   w2 = _mm_add_epi32(v2, v6);
 953   w3 = _mm_add_epi32(v3, v7);
 954   w4 = _mm_sub_epi32(v0, v4);
 955   w5 = _mm_sub_epi32(v1, v5);
 956   w6 = _mm_sub_epi32(v2, v6);
 957   w7 = _mm_sub_epi32(v3, v7);
 958
 959   v0 = _mm_add_epi32(w0, k__DCT_CONST_ROUNDING);
 960   v1 = _mm_add_epi32(w1, k__DCT_CONST_ROUNDING);
 961   v2 = _mm_add_epi32(w2, k__DCT_CONST_ROUNDING);
 962   v3 = _mm_add_epi32(w3, k__DCT_CONST_ROUNDING);
 963   v4 = _mm_add_epi32(w4, k__DCT_CONST_ROUNDING);
 964   v5 = _mm_add_epi32(w5, k__DCT_CONST_ROUNDING);
 965   v6 = _mm_add_epi32(w6, k__DCT_CONST_ROUNDING);
 966   v7 = _mm_add_epi32(w7, k__DCT_CONST_ROUNDING);
 967
 968   u0 = _mm_srai_epi32(v0, DCT_CONST_BITS);
 969   u1 = _mm_srai_epi32(v1, DCT_CONST_BITS);
 970   u2 = _mm_srai_epi32(v2, DCT_CONST_BITS);
 971   u3 = _mm_srai_epi32(v3, DCT_CONST_BITS);
 972   u4 = _mm_srai_epi32(v4, DCT_CONST_BITS);
 973   u5 = _mm_srai_epi32(v5, DCT_CONST_BITS);
 974   u6 = _mm_srai_epi32(v6, DCT_CONST_BITS);
 975   u7 = _mm_srai_epi32(v7, DCT_CONST_BITS);
 976
 977   // back to 16-bit intergers
 978   s4 = _mm_packs_epi32(u0, u1);
 979   s5 = _mm_packs_epi32(u2, u3);
 980   s6 = _mm_packs_epi32(u4, u5);
 981   s7 = _mm_packs_epi32(u6, u7);
 982
 983   // stage 3
 984   u0 = _mm_unpacklo_epi16(s2, s3);
 985   u1 = _mm_unpackhi_epi16(s2, s3);
 986   u2 = _mm_unpacklo_epi16(s6, s7);
 987   u3 = _mm_unpackhi_epi16(s6, s7);
 988
 989   v0 = _mm_madd_epi16(u0, k__cospi_p16_p16);
 990   v1 = _mm_madd_epi16(u1, k__cospi_p16_p16);
 991   v2 = _mm_madd_epi16(u0, k__cospi_p16_m16);
 992   v3 = _mm_madd_epi16(u1, k__cospi_p16_m16);
 993   v4 = _mm_madd_epi16(u2, k__cospi_p16_p16);
 994   v5 = _mm_madd_epi16(u3, k__cospi_p16_p16);
 995   v6 = _mm_madd_epi16(u2, k__cospi_p16_m16);
 996   v7 = _mm_madd_epi16(u3, k__cospi_p16_m16);
 997
 998   u0 = _mm_add_epi32(v0, k__DCT_CONST_ROUNDING);
 999   u1 = _mm_add_epi32(v1, k__DCT_CONST_ROUNDING);
1000   u2 = _mm_add_epi32(v2, k__DCT_CONST_ROUNDING);
1001   u3 = _mm_add_epi32(v3, k__DCT_CONST_ROUNDING);
1002   u4 = _mm_add_epi32(v4, k__DCT_CONST_ROUNDING);
1003   u5 = _mm_add_epi32(v5, k__DCT_CONST_ROUNDING);
1004   u6 = _mm_add_epi32(v6, k__DCT_CONST_ROUNDING);
1005   u7 = _mm_add_epi32(v7, k__DCT_CONST_ROUNDING);
1006
1007   v0 = _mm_srai_epi32(u0, DCT_CONST_BITS);
1008   v1 = _mm_srai_epi32(u1, DCT_CONST_BITS);
1009   v2 = _mm_srai_epi32(u2, DCT_CONST_BITS);
1010   v3 = _mm_srai_epi32(u3, DCT_CONST_BITS);
1011   v4 = _mm_srai_epi32(u4, DCT_CONST_BITS);
1012   v5 = _mm_srai_epi32(u5, DCT_CONST_BITS);
1013   v6 = _mm_srai_epi32(u6, DCT_CONST_BITS);
1014   v7 = _mm_srai_epi32(u7, DCT_CONST_BITS);
1015
1016   s2 = _mm_packs_epi32(v0, v1);
1017   s3 = _mm_packs_epi32(v2, v3);
1018   s6 = _mm_packs_epi32(v4, v5);
1019   s7 = _mm_packs_epi32(v6, v7);
1020
1021   // FIXME(jingning): do subtract using bit inversion?
1022   in[0] = s0;
1023   in[1] = _mm_sub_epi16(k__const_0, s4);
1024   in[2] = s6;
1025   in[3] = _mm_sub_epi16(k__const_0, s2);
1026   in[4] = s3;
1027   in[5] = _mm_sub_epi16(k__const_0, s7);
1028   in[6] = s5;
1029   in[7] = _mm_sub_epi16(k__const_0, s1);
1030
1031   // transpose
1032   array_transpose_8x8_avx2(in, in);
1033 }
1034
1035 void vp9_fht8x8_avx2(const int16_t *input, int16_t *output,
1036                      int stride, int tx_type) {
1037   __m128i in[8];
1038
1039   switch (tx_type) {
1040     case DCT_DCT:
1041       vp9_fdct8x8_avx2(input, output, stride);
1042       break;
1043     case ADST_DCT:
1044       load_buffer_8x8_avx2(input, in, stride);
1045       fadst8_avx2(in);
1046       fdct8_avx2(in);
1047       right_shift_8x8_avx2(in, 1);
1048       write_buffer_8x8_avx2(output, in, 8);
1049       break;
1050     case DCT_ADST:
1051       load_buffer_8x8_avx2(input, in, stride);
1052       fdct8_avx2(in);
1053       fadst8_avx2(in);
1054       right_shift_8x8_avx2(in, 1);
1055       write_buffer_8x8_avx2(output, in, 8);
1056       break;
1057     case ADST_ADST:
1058       load_buffer_8x8_avx2(input, in, stride);
1059       fadst8_avx2(in);
1060       fadst8_avx2(in);
1061       right_shift_8x8_avx2(in, 1);
1062       write_buffer_8x8_avx2(output, in, 8);
1063       break;
1064     default:
1065       assert(0);
1066       break;
1067   }
1068 }
1069
1070 void vp9_fdct16x16_avx2(const int16_t *input, int16_t *output, int stride) {
1071   // The 2D transform is done with two passes which are actually pretty
1072   // similar. In the first one, we transform the columns and transpose
1073   // the results. In the second one, we transform the rows. To achieve that,
1074   // as the first pass results are transposed, we tranpose the columns (that
1075   // is the transposed rows) and transpose the results (so that it goes back
1076   // in normal/row positions).
1077   int pass;
1078   // We need an intermediate buffer between passes.
1079   DECLARE_ALIGNED_ARRAY(16, int16_t, intermediate, 256);
1080   const int16_t *in = input;
1081   int16_t *out = intermediate;
1082   // Constants
1083   //    When we use them, in one case, they are all the same. In all others
1084   //    it's a pair of them that we need to repeat four times. This is done
1085   //    by constructing the 32 bit constant corresponding to that pair.
1086   const __m128i k__cospi_p16_p16 = _mm_set1_epi16(cospi_16_64);
1087   const __m128i k__cospi_p16_m16 = pair_set_epi16(cospi_16_64, -cospi_16_64);
1088   const __m128i k__cospi_p24_p08 = pair_set_epi16(cospi_24_64, cospi_8_64);
1089   const __m128i k__cospi_m24_m08 = pair_set_epi16(-cospi_24_64, -cospi_8_64);
1090   const __m128i k__cospi_m08_p24 = pair_set_epi16(-cospi_8_64, cospi_24_64);
1091   const __m128i k__cospi_p28_p04 = pair_set_epi16(cospi_28_64, cospi_4_64);
1092   const __m128i k__cospi_m04_p28 = pair_set_epi16(-cospi_4_64, cospi_28_64);
1093   const __m128i k__cospi_p12_p20 = pair_set_epi16(cospi_12_64, cospi_20_64);
1094   const __m128i k__cospi_m20_p12 = pair_set_epi16(-cospi_20_64, cospi_12_64);
1095   const __m128i k__cospi_p30_p02 = pair_set_epi16(cospi_30_64, cospi_2_64);
1096   const __m128i k__cospi_p14_p18 = pair_set_epi16(cospi_14_64, cospi_18_64);
1097   const __m128i k__cospi_m02_p30 = pair_set_epi16(-cospi_2_64, cospi_30_64);
1098   const __m128i k__cospi_m18_p14 = pair_set_epi16(-cospi_18_64, cospi_14_64);
1099   const __m128i k__cospi_p22_p10 = pair_set_epi16(cospi_22_64, cospi_10_64);
1100   const __m128i k__cospi_p06_p26 = pair_set_epi16(cospi_6_64, cospi_26_64);
1101   const __m128i k__cospi_m10_p22 = pair_set_epi16(-cospi_10_64, cospi_22_64);
1102   const __m128i k__cospi_m26_p06 = pair_set_epi16(-cospi_26_64, cospi_6_64);
1103   const __m128i k__DCT_CONST_ROUNDING = _mm_set1_epi32(DCT_CONST_ROUNDING);
1104   const __m128i kOne = _mm_set1_epi16(1);
1105   // Do the two transform/transpose passes
1106   for (pass = 0; pass < 2; ++pass) {
1107     // We process eight columns (transposed rows in second pass) at a time.
1108     int column_start;
1109     for (column_start = 0; column_start < 16; column_start += 8) {
1110       __m128i in00, in01, in02, in03, in04, in05, in06, in07;
1111       __m128i in08, in09, in10, in11, in12, in13, in14, in15;
1112       __m128i input0, input1, input2, input3, input4, input5, input6, input7;
1113       __m128i step1_0, step1_1, step1_2, step1_3;
1114       __m128i step1_4, step1_5, step1_6, step1_7;
1115       __m128i step2_1, step2_2, step2_3, step2_4, step2_5, step2_6;
1116       __m128i step3_0, step3_1, step3_2, step3_3;
1117       __m128i step3_4, step3_5, step3_6, step3_7;
1118       __m128i res00, res01, res02, res03, res04, res05, res06, res07;
1119       __m128i res08, res09, res10, res11, res12, res13, res14, res15;
1120       // Load and pre-condition input.
1121       if (0 == pass) {
1122         in00  = _mm_load_si128((const __m128i *)(in +  0 * stride));
1123         in01  = _mm_load_si128((const __m128i *)(in +  1 * stride));
1124         in02  = _mm_load_si128((const __m128i *)(in +  2 * stride));
1125         in03  = _mm_load_si128((const __m128i *)(in +  3 * stride));
1126         in04  = _mm_load_si128((const __m128i *)(in +  4 * stride));
1127         in05  = _mm_load_si128((const __m128i *)(in +  5 * stride));
1128         in06  = _mm_load_si128((const __m128i *)(in +  6 * stride));
1129         in07  = _mm_load_si128((const __m128i *)(in +  7 * stride));
1130         in08  = _mm_load_si128((const __m128i *)(in +  8 * stride));
1131         in09  = _mm_load_si128((const __m128i *)(in +  9 * stride));
1132         in10  = _mm_load_si128((const __m128i *)(in + 10 * stride));
1133         in11  = _mm_load_si128((const __m128i *)(in + 11 * stride));
1134         in12  = _mm_load_si128((const __m128i *)(in + 12 * stride));
1135         in13  = _mm_load_si128((const __m128i *)(in + 13 * stride));
1136         in14  = _mm_load_si128((const __m128i *)(in + 14 * stride));
1137         in15  = _mm_load_si128((const __m128i *)(in + 15 * stride));
1138         // x = x << 2
1139         in00 = _mm_slli_epi16(in00, 2);
1140         in01 = _mm_slli_epi16(in01, 2);
1141         in02 = _mm_slli_epi16(in02, 2);
1142         in03 = _mm_slli_epi16(in03, 2);
1143         in04 = _mm_slli_epi16(in04, 2);
1144         in05 = _mm_slli_epi16(in05, 2);
1145         in06 = _mm_slli_epi16(in06, 2);
1146         in07 = _mm_slli_epi16(in07, 2);
1147         in08 = _mm_slli_epi16(in08, 2);
1148         in09 = _mm_slli_epi16(in09, 2);
1149         in10 = _mm_slli_epi16(in10, 2);
1150         in11 = _mm_slli_epi16(in11, 2);
1151         in12 = _mm_slli_epi16(in12, 2);
1152         in13 = _mm_slli_epi16(in13, 2);
1153         in14 = _mm_slli_epi16(in14, 2);
1154         in15 = _mm_slli_epi16(in15, 2);
1155       } else {
1156         in00  = _mm_load_si128((const __m128i *)(in +  0 * 16));
1157         in01  = _mm_load_si128((const __m128i *)(in +  1 * 16));
1158         in02  = _mm_load_si128((const __m128i *)(in +  2 * 16));
1159         in03  = _mm_load_si128((const __m128i *)(in +  3 * 16));
1160         in04  = _mm_load_si128((const __m128i *)(in +  4 * 16));
1161         in05  = _mm_load_si128((const __m128i *)(in +  5 * 16));
1162         in06  = _mm_load_si128((const __m128i *)(in +  6 * 16));
1163         in07  = _mm_load_si128((const __m128i *)(in +  7 * 16));
1164         in08  = _mm_load_si128((const __m128i *)(in +  8 * 16));
1165         in09  = _mm_load_si128((const __m128i *)(in +  9 * 16));
1166         in10  = _mm_load_si128((const __m128i *)(in + 10 * 16));
1167         in11  = _mm_load_si128((const __m128i *)(in + 11 * 16));
1168         in12  = _mm_load_si128((const __m128i *)(in + 12 * 16));
1169         in13  = _mm_load_si128((const __m128i *)(in + 13 * 16));
1170         in14  = _mm_load_si128((const __m128i *)(in + 14 * 16));
1171         in15  = _mm_load_si128((const __m128i *)(in + 15 * 16));
1172         // x = (x + 1) >> 2
1173         in00 = _mm_add_epi16(in00, kOne);
1174         in01 = _mm_add_epi16(in01, kOne);
1175         in02 = _mm_add_epi16(in02, kOne);
1176         in03 = _mm_add_epi16(in03, kOne);
1177         in04 = _mm_add_epi16(in04, kOne);
1178         in05 = _mm_add_epi16(in05, kOne);
1179         in06 = _mm_add_epi16(in06, kOne);
1180         in07 = _mm_add_epi16(in07, kOne);
1181         in08 = _mm_add_epi16(in08, kOne);
1182         in09 = _mm_add_epi16(in09, kOne);
1183         in10 = _mm_add_epi16(in10, kOne);
1184         in11 = _mm_add_epi16(in11, kOne);
1185         in12 = _mm_add_epi16(in12, kOne);
1186         in13 = _mm_add_epi16(in13, kOne);
1187         in14 = _mm_add_epi16(in14, kOne);
1188         in15 = _mm_add_epi16(in15, kOne);
1189         in00 = _mm_srai_epi16(in00, 2);
1190         in01 = _mm_srai_epi16(in01, 2);
1191         in02 = _mm_srai_epi16(in02, 2);
1192         in03 = _mm_srai_epi16(in03, 2);
1193         in04 = _mm_srai_epi16(in04, 2);
1194         in05 = _mm_srai_epi16(in05, 2);
1195         in06 = _mm_srai_epi16(in06, 2);
1196         in07 = _mm_srai_epi16(in07, 2);
1197         in08 = _mm_srai_epi16(in08, 2);
1198         in09 = _mm_srai_epi16(in09, 2);
1199         in10 = _mm_srai_epi16(in10, 2);
1200         in11 = _mm_srai_epi16(in11, 2);
1201         in12 = _mm_srai_epi16(in12, 2);
1202         in13 = _mm_srai_epi16(in13, 2);
1203         in14 = _mm_srai_epi16(in14, 2);
1204         in15 = _mm_srai_epi16(in15, 2);
1205       }
1206       in += 8;
1207       // Calculate input for the first 8 results.
1208       {
1209         input0 = _mm_add_epi16(in00, in15);
1210         input1 = _mm_add_epi16(in01, in14);
1211         input2 = _mm_add_epi16(in02, in13);
1212         input3 = _mm_add_epi16(in03, in12);
1213         input4 = _mm_add_epi16(in04, in11);
1214         input5 = _mm_add_epi16(in05, in10);
1215         input6 = _mm_add_epi16(in06, in09);
1216         input7 = _mm_add_epi16(in07, in08);
1217       }
1218       // Calculate input for the next 8 results.
1219       {
1220         step1_0 = _mm_sub_epi16(in07, in08);
1221         step1_1 = _mm_sub_epi16(in06, in09);
1222         step1_2 = _mm_sub_epi16(in05, in10);
1223         step1_3 = _mm_sub_epi16(in04, in11);
1224         step1_4 = _mm_sub_epi16(in03, in12);
1225         step1_5 = _mm_sub_epi16(in02, in13);
1226         step1_6 = _mm_sub_epi16(in01, in14);
1227         step1_7 = _mm_sub_epi16(in00, in15);
1228       }
1229       // Work on the first eight values; fdct8(input, even_results);
1230       {
1231         // Add/substract
1232         const __m128i q0 = _mm_add_epi16(input0, input7);
1233         const __m128i q1 = _mm_add_epi16(input1, input6);
1234         const __m128i q2 = _mm_add_epi16(input2, input5);
1235         const __m128i q3 = _mm_add_epi16(input3, input4);
1236         const __m128i q4 = _mm_sub_epi16(input3, input4);
1237         const __m128i q5 = _mm_sub_epi16(input2, input5);
1238         const __m128i q6 = _mm_sub_epi16(input1, input6);
1239         const __m128i q7 = _mm_sub_epi16(input0, input7);
1240         // Work on first four results
1241         {
1242           // Add/substract
1243           const __m128i r0 = _mm_add_epi16(q0, q3);
1244           const __m128i r1 = _mm_add_epi16(q1, q2);
1245           const __m128i r2 = _mm_sub_epi16(q1, q2);
1246           const __m128i r3 = _mm_sub_epi16(q0, q3);
1247           // Interleave to do the multiply by constants which gets us
1248           // into 32 bits.
1249           const __m128i t0 = _mm_unpacklo_epi16(r0, r1);
1250           const __m128i t1 = _mm_unpackhi_epi16(r0, r1);
1251           const __m128i t2 = _mm_unpacklo_epi16(r2, r3);
1252           const __m128i t3 = _mm_unpackhi_epi16(r2, r3);
1253           const __m128i u0 = _mm_madd_epi16(t0, k__cospi_p16_p16);
1254           const __m128i u1 = _mm_madd_epi16(t1, k__cospi_p16_p16);
1255           const __m128i u2 = _mm_madd_epi16(t0, k__cospi_p16_m16);
1256           const __m128i u3 = _mm_madd_epi16(t1, k__cospi_p16_m16);
1257           const __m128i u4 = _mm_madd_epi16(t2, k__cospi_p24_p08);
1258           const __m128i u5 = _mm_madd_epi16(t3, k__cospi_p24_p08);
1259           const __m128i u6 = _mm_madd_epi16(t2, k__cospi_m08_p24);
1260           const __m128i u7 = _mm_madd_epi16(t3, k__cospi_m08_p24);
1261           // dct_const_round_shift
1262           const __m128i v0 = _mm_add_epi32(u0, k__DCT_CONST_ROUNDING);
1263           const __m128i v1 = _mm_add_epi32(u1, k__DCT_CONST_ROUNDING);
1264           const __m128i v2 = _mm_add_epi32(u2, k__DCT_CONST_ROUNDING);
1265           const __m128i v3 = _mm_add_epi32(u3, k__DCT_CONST_ROUNDING);
1266           const __m128i v4 = _mm_add_epi32(u4, k__DCT_CONST_ROUNDING);
1267           const __m128i v5 = _mm_add_epi32(u5, k__DCT_CONST_ROUNDING);
1268           const __m128i v6 = _mm_add_epi32(u6, k__DCT_CONST_ROUNDING);
1269           const __m128i v7 = _mm_add_epi32(u7, k__DCT_CONST_ROUNDING);
1270           const __m128i w0 = _mm_srai_epi32(v0, DCT_CONST_BITS);
1271           const __m128i w1 = _mm_srai_epi32(v1, DCT_CONST_BITS);
1272           const __m128i w2 = _mm_srai_epi32(v2, DCT_CONST_BITS);
1273           const __m128i w3 = _mm_srai_epi32(v3, DCT_CONST_BITS);
1274           const __m128i w4 = _mm_srai_epi32(v4, DCT_CONST_BITS);
1275           const __m128i w5 = _mm_srai_epi32(v5, DCT_CONST_BITS);
1276           const __m128i w6 = _mm_srai_epi32(v6, DCT_CONST_BITS);
1277           const __m128i w7 = _mm_srai_epi32(v7, DCT_CONST_BITS);
1278           // Combine
1279           res00 = _mm_packs_epi32(w0, w1);
1280           res08 = _mm_packs_epi32(w2, w3);
1281           res04 = _mm_packs_epi32(w4, w5);
1282           res12 = _mm_packs_epi32(w6, w7);
1283         }
1284         // Work on next four results
1285         {
1286           // Interleave to do the multiply by constants which gets us
1287           // into 32 bits.
1288           const __m128i d0 = _mm_unpacklo_epi16(q6, q5);
1289           const __m128i d1 = _mm_unpackhi_epi16(q6, q5);
1290           const __m128i e0 = _mm_madd_epi16(d0, k__cospi_p16_m16);
1291           const __m128i e1 = _mm_madd_epi16(d1, k__cospi_p16_m16);
1292           const __m128i e2 = _mm_madd_epi16(d0, k__cospi_p16_p16);
1293           const __m128i e3 = _mm_madd_epi16(d1, k__cospi_p16_p16);
1294           // dct_const_round_shift
1295           const __m128i f0 = _mm_add_epi32(e0, k__DCT_CONST_ROUNDING);
1296           const __m128i f1 = _mm_add_epi32(e1, k__DCT_CONST_ROUNDING);
1297           const __m128i f2 = _mm_add_epi32(e2, k__DCT_CONST_ROUNDING);
1298           const __m128i f3 = _mm_add_epi32(e3, k__DCT_CONST_ROUNDING);
1299           const __m128i s0 = _mm_srai_epi32(f0, DCT_CONST_BITS);
1300           const __m128i s1 = _mm_srai_epi32(f1, DCT_CONST_BITS);
1301           const __m128i s2 = _mm_srai_epi32(f2, DCT_CONST_BITS);
1302           const __m128i s3 = _mm_srai_epi32(f3, DCT_CONST_BITS);
1303           // Combine
1304           const __m128i r0 = _mm_packs_epi32(s0, s1);
1305           const __m128i r1 = _mm_packs_epi32(s2, s3);
1306           // Add/substract
1307           const __m128i x0 = _mm_add_epi16(q4, r0);
1308           const __m128i x1 = _mm_sub_epi16(q4, r0);
1309           const __m128i x2 = _mm_sub_epi16(q7, r1);
1310           const __m128i x3 = _mm_add_epi16(q7, r1);
1311           // Interleave to do the multiply by constants which gets us
1312           // into 32 bits.
1313           const __m128i t0 = _mm_unpacklo_epi16(x0, x3);
1314           const __m128i t1 = _mm_unpackhi_epi16(x0, x3);
1315           const __m128i t2 = _mm_unpacklo_epi16(x1, x2);
1316           const __m128i t3 = _mm_unpackhi_epi16(x1, x2);
1317           const __m128i u0 = _mm_madd_epi16(t0, k__cospi_p28_p04);
1318           const __m128i u1 = _mm_madd_epi16(t1, k__cospi_p28_p04);
1319           const __m128i u2 = _mm_madd_epi16(t0, k__cospi_m04_p28);
1320           const __m128i u3 = _mm_madd_epi16(t1, k__cospi_m04_p28);
1321           const __m128i u4 = _mm_madd_epi16(t2, k__cospi_p12_p20);
1322           const __m128i u5 = _mm_madd_epi16(t3, k__cospi_p12_p20);
1323           const __m128i u6 = _mm_madd_epi16(t2, k__cospi_m20_p12);
1324           const __m128i u7 = _mm_madd_epi16(t3, k__cospi_m20_p12);
1325           // dct_const_round_shift
1326           const __m128i v0 = _mm_add_epi32(u0, k__DCT_CONST_ROUNDING);
1327           const __m128i v1 = _mm_add_epi32(u1, k__DCT_CONST_ROUNDING);
1328           const __m128i v2 = _mm_add_epi32(u2, k__DCT_CONST_ROUNDING);
1329           const __m128i v3 = _mm_add_epi32(u3, k__DCT_CONST_ROUNDING);
1330           const __m128i v4 = _mm_add_epi32(u4, k__DCT_CONST_ROUNDING);
1331           const __m128i v5 = _mm_add_epi32(u5, k__DCT_CONST_ROUNDING);
1332           const __m128i v6 = _mm_add_epi32(u6, k__DCT_CONST_ROUNDING);
1333           const __m128i v7 = _mm_add_epi32(u7, k__DCT_CONST_ROUNDING);
1334           const __m128i w0 = _mm_srai_epi32(v0, DCT_CONST_BITS);
1335           const __m128i w1 = _mm_srai_epi32(v1, DCT_CONST_BITS);
1336           const __m128i w2 = _mm_srai_epi32(v2, DCT_CONST_BITS);
1337           const __m128i w3 = _mm_srai_epi32(v3, DCT_CONST_BITS);
1338           const __m128i w4 = _mm_srai_epi32(v4, DCT_CONST_BITS);
1339           const __m128i w5 = _mm_srai_epi32(v5, DCT_CONST_BITS);
1340           const __m128i w6 = _mm_srai_epi32(v6, DCT_CONST_BITS);
1341           const __m128i w7 = _mm_srai_epi32(v7, DCT_CONST_BITS);
1342           // Combine
1343           res02 = _mm_packs_epi32(w0, w1);
1344           res14 = _mm_packs_epi32(w2, w3);
1345           res10 = _mm_packs_epi32(w4, w5);
1346           res06 = _mm_packs_epi32(w6, w7);
1347         }
1348       }
1349       // Work on the next eight values; step1 -> odd_results
1350       {
1351         // step 2
1352         {
1353           const __m128i t0 = _mm_unpacklo_epi16(step1_5, step1_2);
1354           const __m128i t1 = _mm_unpackhi_epi16(step1_5, step1_2);
1355           const __m128i t2 = _mm_unpacklo_epi16(step1_4, step1_3);
1356           const __m128i t3 = _mm_unpackhi_epi16(step1_4, step1_3);
1357           const __m128i u0 = _mm_madd_epi16(t0, k__cospi_p16_m16);
1358           const __m128i u1 = _mm_madd_epi16(t1, k__cospi_p16_m16);
1359           const __m128i u2 = _mm_madd_epi16(t2, k__cospi_p16_m16);
1360           const __m128i u3 = _mm_madd_epi16(t3, k__cospi_p16_m16);
1361           // dct_const_round_shift
1362           const __m128i v0 = _mm_add_epi32(u0, k__DCT_CONST_ROUNDING);
1363           const __m128i v1 = _mm_add_epi32(u1, k__DCT_CONST_ROUNDING);
1364           const __m128i v2 = _mm_add_epi32(u2, k__DCT_CONST_ROUNDING);
1365           const __m128i v3 = _mm_add_epi32(u3, k__DCT_CONST_ROUNDING);
1366           const __m128i w0 = _mm_srai_epi32(v0, DCT_CONST_BITS);
1367           const __m128i w1 = _mm_srai_epi32(v1, DCT_CONST_BITS);
1368           const __m128i w2 = _mm_srai_epi32(v2, DCT_CONST_BITS);
1369           const __m128i w3 = _mm_srai_epi32(v3, DCT_CONST_BITS);
1370           // Combine
1371           step2_2 = _mm_packs_epi32(w0, w1);
1372           step2_3 = _mm_packs_epi32(w2, w3);
1373         }
1374         {
1375           const __m128i t0 = _mm_unpacklo_epi16(step1_5, step1_2);
1376           const __m128i t1 = _mm_unpackhi_epi16(step1_5, step1_2);
1377           const __m128i t2 = _mm_unpacklo_epi16(step1_4, step1_3);
1378           const __m128i t3 = _mm_unpackhi_epi16(step1_4, step1_3);
1379           const __m128i u0 = _mm_madd_epi16(t0, k__cospi_p16_p16);
1380           const __m128i u1 = _mm_madd_epi16(t1, k__cospi_p16_p16);
1381           const __m128i u2 = _mm_madd_epi16(t2, k__cospi_p16_p16);
1382           const __m128i u3 = _mm_madd_epi16(t3, k__cospi_p16_p16);
1383           // dct_const_round_shift
1384           const __m128i v0 = _mm_add_epi32(u0, k__DCT_CONST_ROUNDING);
1385           const __m128i v1 = _mm_add_epi32(u1, k__DCT_CONST_ROUNDING);
1386           const __m128i v2 = _mm_add_epi32(u2, k__DCT_CONST_ROUNDING);
1387           const __m128i v3 = _mm_add_epi32(u3, k__DCT_CONST_ROUNDING);
1388           const __m128i w0 = _mm_srai_epi32(v0, DCT_CONST_BITS);
1389           const __m128i w1 = _mm_srai_epi32(v1, DCT_CONST_BITS);
1390           const __m128i w2 = _mm_srai_epi32(v2, DCT_CONST_BITS);
1391           const __m128i w3 = _mm_srai_epi32(v3, DCT_CONST_BITS);
1392           // Combine
1393           step2_5 = _mm_packs_epi32(w0, w1);
1394           step2_4 = _mm_packs_epi32(w2, w3);
1395         }
1396         // step 3
1397         {
1398           step3_0 = _mm_add_epi16(step1_0, step2_3);
1399           step3_1 = _mm_add_epi16(step1_1, step2_2);
1400           step3_2 = _mm_sub_epi16(step1_1, step2_2);
1401           step3_3 = _mm_sub_epi16(step1_0, step2_3);
1402           step3_4 = _mm_sub_epi16(step1_7, step2_4);
1403           step3_5 = _mm_sub_epi16(step1_6, step2_5);
1404           step3_6 = _mm_add_epi16(step1_6, step2_5);
1405           step3_7 = _mm_add_epi16(step1_7, step2_4);
1406         }
1407         // step 4
1408         {
1409           const __m128i t0 = _mm_unpacklo_epi16(step3_1, step3_6);
1410           const __m128i t1 = _mm_unpackhi_epi16(step3_1, step3_6);
1411           const __m128i t2 = _mm_unpacklo_epi16(step3_2, step3_5);
1412           const __m128i t3 = _mm_unpackhi_epi16(step3_2, step3_5);
1413           const __m128i u0 = _mm_madd_epi16(t0, k__cospi_m08_p24);
1414           const __m128i u1 = _mm_madd_epi16(t1, k__cospi_m08_p24);
1415           const __m128i u2 = _mm_madd_epi16(t2, k__cospi_m24_m08);
1416           const __m128i u3 = _mm_madd_epi16(t3, k__cospi_m24_m08);
1417           // dct_const_round_shift
1418           const __m128i v0 = _mm_add_epi32(u0, k__DCT_CONST_ROUNDING);
1419           const __m128i v1 = _mm_add_epi32(u1, k__DCT_CONST_ROUNDING);
1420           const __m128i v2 = _mm_add_epi32(u2, k__DCT_CONST_ROUNDING);
1421           const __m128i v3 = _mm_add_epi32(u3, k__DCT_CONST_ROUNDING);
1422           const __m128i w0 = _mm_srai_epi32(v0, DCT_CONST_BITS);
1423           const __m128i w1 = _mm_srai_epi32(v1, DCT_CONST_BITS);
1424           const __m128i w2 = _mm_srai_epi32(v2, DCT_CONST_BITS);
1425           const __m128i w3 = _mm_srai_epi32(v3, DCT_CONST_BITS);
1426           // Combine
1427           step2_1 = _mm_packs_epi32(w0, w1);
1428           step2_2 = _mm_packs_epi32(w2, w3);
1429         }
1430         {
1431           const __m128i t0 = _mm_unpacklo_epi16(step3_1, step3_6);
1432           const __m128i t1 = _mm_unpackhi_epi16(step3_1, step3_6);
1433           const __m128i t2 = _mm_unpacklo_epi16(step3_2, step3_5);
1434           const __m128i t3 = _mm_unpackhi_epi16(step3_2, step3_5);
1435           const __m128i u0 = _mm_madd_epi16(t0, k__cospi_p24_p08);
1436           const __m128i u1 = _mm_madd_epi16(t1, k__cospi_p24_p08);
1437           const __m128i u2 = _mm_madd_epi16(t2, k__cospi_m08_p24);
1438           const __m128i u3 = _mm_madd_epi16(t3, k__cospi_m08_p24);
1439           // dct_const_round_shift
1440           const __m128i v0 = _mm_add_epi32(u0, k__DCT_CONST_ROUNDING);
1441           const __m128i v1 = _mm_add_epi32(u1, k__DCT_CONST_ROUNDING);
1442           const __m128i v2 = _mm_add_epi32(u2, k__DCT_CONST_ROUNDING);
1443           const __m128i v3 = _mm_add_epi32(u3, k__DCT_CONST_ROUNDING);
1444           const __m128i w0 = _mm_srai_epi32(v0, DCT_CONST_BITS);
1445           const __m128i w1 = _mm_srai_epi32(v1, DCT_CONST_BITS);
1446           const __m128i w2 = _mm_srai_epi32(v2, DCT_CONST_BITS);
1447           const __m128i w3 = _mm_srai_epi32(v3, DCT_CONST_BITS);
1448           // Combine
1449           step2_6 = _mm_packs_epi32(w0, w1);
1450           step2_5 = _mm_packs_epi32(w2, w3);
1451         }
1452         // step 5
1453         {
1454           step1_0 = _mm_add_epi16(step3_0, step2_1);
1455           step1_1 = _mm_sub_epi16(step3_0, step2_1);
1456           step1_2 = _mm_sub_epi16(step3_3, step2_2);
1457           step1_3 = _mm_add_epi16(step3_3, step2_2);
1458           step1_4 = _mm_add_epi16(step3_4, step2_5);
1459           step1_5 = _mm_sub_epi16(step3_4, step2_5);
1460           step1_6 = _mm_sub_epi16(step3_7, step2_6);
1461           step1_7 = _mm_add_epi16(step3_7, step2_6);
1462         }
1463         // step 6
1464         {
1465           const __m128i t0 = _mm_unpacklo_epi16(step1_0, step1_7);
1466           const __m128i t1 = _mm_unpackhi_epi16(step1_0, step1_7);
1467           const __m128i t2 = _mm_unpacklo_epi16(step1_1, step1_6);
1468           const __m128i t3 = _mm_unpackhi_epi16(step1_1, step1_6);
1469           const __m128i u0 = _mm_madd_epi16(t0, k__cospi_p30_p02);
1470           const __m128i u1 = _mm_madd_epi16(t1, k__cospi_p30_p02);
1471           const __m128i u2 = _mm_madd_epi16(t2, k__cospi_p14_p18);
1472           const __m128i u3 = _mm_madd_epi16(t3, k__cospi_p14_p18);
1473           // dct_const_round_shift
1474           const __m128i v0 = _mm_add_epi32(u0, k__DCT_CONST_ROUNDING);
1475           const __m128i v1 = _mm_add_epi32(u1, k__DCT_CONST_ROUNDING);
1476           const __m128i v2 = _mm_add_epi32(u2, k__DCT_CONST_ROUNDING);
1477           const __m128i v3 = _mm_add_epi32(u3, k__DCT_CONST_ROUNDING);
1478           const __m128i w0 = _mm_srai_epi32(v0, DCT_CONST_BITS);
1479           const __m128i w1 = _mm_srai_epi32(v1, DCT_CONST_BITS);
1480           const __m128i w2 = _mm_srai_epi32(v2, DCT_CONST_BITS);
1481           const __m128i w3 = _mm_srai_epi32(v3, DCT_CONST_BITS);
1482           // Combine
1483           res01 = _mm_packs_epi32(w0, w1);
1484           res09 = _mm_packs_epi32(w2, w3);
1485         }
1486         {
1487           const __m128i t0 = _mm_unpacklo_epi16(step1_2, step1_5);
1488           const __m128i t1 = _mm_unpackhi_epi16(step1_2, step1_5);
1489           const __m128i t2 = _mm_unpacklo_epi16(step1_3, step1_4);
1490           const __m128i t3 = _mm_unpackhi_epi16(step1_3, step1_4);
1491           const __m128i u0 = _mm_madd_epi16(t0, k__cospi_p22_p10);
1492           const __m128i u1 = _mm_madd_epi16(t1, k__cospi_p22_p10);
1493           const __m128i u2 = _mm_madd_epi16(t2, k__cospi_p06_p26);
1494           const __m128i u3 = _mm_madd_epi16(t3, k__cospi_p06_p26);
1495           // dct_const_round_shift
1496           const __m128i v0 = _mm_add_epi32(u0, k__DCT_CONST_ROUNDING);
1497           const __m128i v1 = _mm_add_epi32(u1, k__DCT_CONST_ROUNDING);
1498           const __m128i v2 = _mm_add_epi32(u2, k__DCT_CONST_ROUNDING);
1499           const __m128i v3 = _mm_add_epi32(u3, k__DCT_CONST_ROUNDING);
1500           const __m128i w0 = _mm_srai_epi32(v0, DCT_CONST_BITS);
1501           const __m128i w1 = _mm_srai_epi32(v1, DCT_CONST_BITS);
1502           const __m128i w2 = _mm_srai_epi32(v2, DCT_CONST_BITS);
1503           const __m128i w3 = _mm_srai_epi32(v3, DCT_CONST_BITS);
1504           // Combine
1505           res05 = _mm_packs_epi32(w0, w1);
1506           res13 = _mm_packs_epi32(w2, w3);
1507         }
1508         {
1509           const __m128i t0 = _mm_unpacklo_epi16(step1_2, step1_5);
1510           const __m128i t1 = _mm_unpackhi_epi16(step1_2, step1_5);
1511           const __m128i t2 = _mm_unpacklo_epi16(step1_3, step1_4);
1512           const __m128i t3 = _mm_unpackhi_epi16(step1_3, step1_4);
1513           const __m128i u0 = _mm_madd_epi16(t0, k__cospi_m10_p22);
1514           const __m128i u1 = _mm_madd_epi16(t1, k__cospi_m10_p22);
1515           const __m128i u2 = _mm_madd_epi16(t2, k__cospi_m26_p06);
1516           const __m128i u3 = _mm_madd_epi16(t3, k__cospi_m26_p06);
1517           // dct_const_round_shift
1518           const __m128i v0 = _mm_add_epi32(u0, k__DCT_CONST_ROUNDING);
1519           const __m128i v1 = _mm_add_epi32(u1, k__DCT_CONST_ROUNDING);
1520           const __m128i v2 = _mm_add_epi32(u2, k__DCT_CONST_ROUNDING);
1521           const __m128i v3 = _mm_add_epi32(u3, k__DCT_CONST_ROUNDING);
1522           const __m128i w0 = _mm_srai_epi32(v0, DCT_CONST_BITS);
1523           const __m128i w1 = _mm_srai_epi32(v1, DCT_CONST_BITS);
1524           const __m128i w2 = _mm_srai_epi32(v2, DCT_CONST_BITS);
1525           const __m128i w3 = _mm_srai_epi32(v3, DCT_CONST_BITS);
1526           // Combine
1527           res11 = _mm_packs_epi32(w0, w1);
1528           res03 = _mm_packs_epi32(w2, w3);
1529         }
1530         {
1531           const __m128i t0 = _mm_unpacklo_epi16(step1_0, step1_7);
1532           const __m128i t1 = _mm_unpackhi_epi16(step1_0, step1_7);
1533           const __m128i t2 = _mm_unpacklo_epi16(step1_1, step1_6);
1534           const __m128i t3 = _mm_unpackhi_epi16(step1_1, step1_6);
1535           const __m128i u0 = _mm_madd_epi16(t0, k__cospi_m02_p30);
1536           const __m128i u1 = _mm_madd_epi16(t1, k__cospi_m02_p30);
1537           const __m128i u2 = _mm_madd_epi16(t2, k__cospi_m18_p14);
1538           const __m128i u3 = _mm_madd_epi16(t3, k__cospi_m18_p14);
1539           // dct_const_round_shift
1540           const __m128i v0 = _mm_add_epi32(u0, k__DCT_CONST_ROUNDING);
1541           const __m128i v1 = _mm_add_epi32(u1, k__DCT_CONST_ROUNDING);
1542           const __m128i v2 = _mm_add_epi32(u2, k__DCT_CONST_ROUNDING);
1543           const __m128i v3 = _mm_add_epi32(u3, k__DCT_CONST_ROUNDING);
1544           const __m128i w0 = _mm_srai_epi32(v0, DCT_CONST_BITS);
1545           const __m128i w1 = _mm_srai_epi32(v1, DCT_CONST_BITS);
1546           const __m128i w2 = _mm_srai_epi32(v2, DCT_CONST_BITS);
1547           const __m128i w3 = _mm_srai_epi32(v3, DCT_CONST_BITS);
1548           // Combine
1549           res15 = _mm_packs_epi32(w0, w1);
1550           res07 = _mm_packs_epi32(w2, w3);
1551         }
1552       }
1553       // Transpose the results, do it as two 8x8 transposes.
1554       {
1555         // 00 01 02 03 04 05 06 07
1556         // 10 11 12 13 14 15 16 17
1557         // 20 21 22 23 24 25 26 27
1558         // 30 31 32 33 34 35 36 37
1559         // 40 41 42 43 44 45 46 47
1560         // 50 51 52 53 54 55 56 57
1561         // 60 61 62 63 64 65 66 67
1562         // 70 71 72 73 74 75 76 77
1563         const __m128i tr0_0 = _mm_unpacklo_epi16(res00, res01);
1564         const __m128i tr0_1 = _mm_unpacklo_epi16(res02, res03);
1565         const __m128i tr0_2 = _mm_unpackhi_epi16(res00, res01);
1566         const __m128i tr0_3 = _mm_unpackhi_epi16(res02, res03);
1567         const __m128i tr0_4 = _mm_unpacklo_epi16(res04, res05);
1568         const __m128i tr0_5 = _mm_unpacklo_epi16(res06, res07);
1569         const __m128i tr0_6 = _mm_unpackhi_epi16(res04, res05);
1570         const __m128i tr0_7 = _mm_unpackhi_epi16(res06, res07);
1571         // 00 10 01 11 02 12 03 13
1572         // 20 30 21 31 22 32 23 33
1573         // 04 14 05 15 06 16 07 17
1574         // 24 34 25 35 26 36 27 37
1575         // 40 50 41 51 42 52 43 53
1576         // 60 70 61 71 62 72 63 73
1577         // 54 54 55 55 56 56 57 57
1578         // 64 74 65 75 66 76 67 77
1579         const __m128i tr1_0 = _mm_unpacklo_epi32(tr0_0, tr0_1);
1580         const __m128i tr1_1 = _mm_unpacklo_epi32(tr0_2, tr0_3);
1581         const __m128i tr1_2 = _mm_unpackhi_epi32(tr0_0, tr0_1);
1582         const __m128i tr1_3 = _mm_unpackhi_epi32(tr0_2, tr0_3);
1583         const __m128i tr1_4 = _mm_unpacklo_epi32(tr0_4, tr0_5);
1584         const __m128i tr1_5 = _mm_unpacklo_epi32(tr0_6, tr0_7);
1585         const __m128i tr1_6 = _mm_unpackhi_epi32(tr0_4, tr0_5);
1586         const __m128i tr1_7 = _mm_unpackhi_epi32(tr0_6, tr0_7);
1587         // 00 10 20 30 01 11 21 31
1588         // 40 50 60 70 41 51 61 71
1589         // 02 12 22 32 03 13 23 33
1590         // 42 52 62 72 43 53 63 73
1591         // 04 14 24 34 05 15 21 36
1592         // 44 54 64 74 45 55 61 76
1593         // 06 16 26 36 07 17 27 37
1594         // 46 56 66 76 47 57 67 77
1595         const __m128i tr2_0 = _mm_unpacklo_epi64(tr1_0, tr1_4);
1596         const __m128i tr2_1 = _mm_unpackhi_epi64(tr1_0, tr1_4);
1597         const __m128i tr2_2 = _mm_unpacklo_epi64(tr1_2, tr1_6);
1598         const __m128i tr2_3 = _mm_unpackhi_epi64(tr1_2, tr1_6);
1599         const __m128i tr2_4 = _mm_unpacklo_epi64(tr1_1, tr1_5);
1600         const __m128i tr2_5 = _mm_unpackhi_epi64(tr1_1, tr1_5);
1601         const __m128i tr2_6 = _mm_unpacklo_epi64(tr1_3, tr1_7);
1602         const __m128i tr2_7 = _mm_unpackhi_epi64(tr1_3, tr1_7);
1603         // 00 10 20 30 40 50 60 70
1604         // 01 11 21 31 41 51 61 71
1605         // 02 12 22 32 42 52 62 72
1606         // 03 13 23 33 43 53 63 73
1607         // 04 14 24 34 44 54 64 74
1608         // 05 15 25 35 45 55 65 75
1609         // 06 16 26 36 46 56 66 76
1610         // 07 17 27 37 47 57 67 77
1611         _mm_storeu_si128((__m128i *)(out + 0 * 16), tr2_0);
1612         _mm_storeu_si128((__m128i *)(out + 1 * 16), tr2_1);
1613         _mm_storeu_si128((__m128i *)(out + 2 * 16), tr2_2);
1614         _mm_storeu_si128((__m128i *)(out + 3 * 16), tr2_3);
1615         _mm_storeu_si128((__m128i *)(out + 4 * 16), tr2_4);
1616         _mm_storeu_si128((__m128i *)(out + 5 * 16), tr2_5);
1617         _mm_storeu_si128((__m128i *)(out + 6 * 16), tr2_6);
1618         _mm_storeu_si128((__m128i *)(out + 7 * 16), tr2_7);
1619       }
1620       {
1621         // 00 01 02 03 04 05 06 07
1622         // 10 11 12 13 14 15 16 17
1623         // 20 21 22 23 24 25 26 27
1624         // 30 31 32 33 34 35 36 37
1625         // 40 41 42 43 44 45 46 47
1626         // 50 51 52 53 54 55 56 57
1627         // 60 61 62 63 64 65 66 67
1628         // 70 71 72 73 74 75 76 77
1629         const __m128i tr0_0 = _mm_unpacklo_epi16(res08, res09);
1630         const __m128i tr0_1 = _mm_unpacklo_epi16(res10, res11);
1631         const __m128i tr0_2 = _mm_unpackhi_epi16(res08, res09);
1632         const __m128i tr0_3 = _mm_unpackhi_epi16(res10, res11);
1633         const __m128i tr0_4 = _mm_unpacklo_epi16(res12, res13);
1634         const __m128i tr0_5 = _mm_unpacklo_epi16(res14, res15);
1635         const __m128i tr0_6 = _mm_unpackhi_epi16(res12, res13);
1636         const __m128i tr0_7 = _mm_unpackhi_epi16(res14, res15);
1637         // 00 10 01 11 02 12 03 13
1638         // 20 30 21 31 22 32 23 33
1639         // 04 14 05 15 06 16 07 17
1640         // 24 34 25 35 26 36 27 37
1641         // 40 50 41 51 42 52 43 53
1642         // 60 70 61 71 62 72 63 73
1643         // 54 54 55 55 56 56 57 57
1644         // 64 74 65 75 66 76 67 77
1645         const __m128i tr1_0 = _mm_unpacklo_epi32(tr0_0, tr0_1);
1646         const __m128i tr1_1 = _mm_unpacklo_epi32(tr0_2, tr0_3);
1647         const __m128i tr1_2 = _mm_unpackhi_epi32(tr0_0, tr0_1);
1648         const __m128i tr1_3 = _mm_unpackhi_epi32(tr0_2, tr0_3);
1649         const __m128i tr1_4 = _mm_unpacklo_epi32(tr0_4, tr0_5);
1650         const __m128i tr1_5 = _mm_unpacklo_epi32(tr0_6, tr0_7);
1651         const __m128i tr1_6 = _mm_unpackhi_epi32(tr0_4, tr0_5);
1652         const __m128i tr1_7 = _mm_unpackhi_epi32(tr0_6, tr0_7);
1653         // 00 10 20 30 01 11 21 31
1654         // 40 50 60 70 41 51 61 71
1655         // 02 12 22 32 03 13 23 33
1656         // 42 52 62 72 43 53 63 73
1657         // 04 14 24 34 05 15 21 36
1658         // 44 54 64 74 45 55 61 76
1659         // 06 16 26 36 07 17 27 37
1660         // 46 56 66 76 47 57 67 77
1661         const __m128i tr2_0 = _mm_unpacklo_epi64(tr1_0, tr1_4);
1662         const __m128i tr2_1 = _mm_unpackhi_epi64(tr1_0, tr1_4);
1663         const __m128i tr2_2 = _mm_unpacklo_epi64(tr1_2, tr1_6);
1664         const __m128i tr2_3 = _mm_unpackhi_epi64(tr1_2, tr1_6);
1665         const __m128i tr2_4 = _mm_unpacklo_epi64(tr1_1, tr1_5);
1666         const __m128i tr2_5 = _mm_unpackhi_epi64(tr1_1, tr1_5);
1667         const __m128i tr2_6 = _mm_unpacklo_epi64(tr1_3, tr1_7);
1668         const __m128i tr2_7 = _mm_unpackhi_epi64(tr1_3, tr1_7);
1669         // 00 10 20 30 40 50 60 70
1670         // 01 11 21 31 41 51 61 71
1671         // 02 12 22 32 42 52 62 72
1672         // 03 13 23 33 43 53 63 73
1673         // 04 14 24 34 44 54 64 74
1674         // 05 15 25 35 45 55 65 75
1675         // 06 16 26 36 46 56 66 76
1676         // 07 17 27 37 47 57 67 77
1677         // Store results
1678         _mm_store_si128((__m128i *)(out + 8 + 0 * 16), tr2_0);
1679         _mm_store_si128((__m128i *)(out + 8 + 1 * 16), tr2_1);
1680         _mm_store_si128((__m128i *)(out + 8 + 2 * 16), tr2_2);
1681         _mm_store_si128((__m128i *)(out + 8 + 3 * 16), tr2_3);
1682         _mm_store_si128((__m128i *)(out + 8 + 4 * 16), tr2_4);
1683         _mm_store_si128((__m128i *)(out + 8 + 5 * 16), tr2_5);
1684         _mm_store_si128((__m128i *)(out + 8 + 6 * 16), tr2_6);
1685         _mm_store_si128((__m128i *)(out + 8 + 7 * 16), tr2_7);
1686       }
1687       out += 8*16;
1688     }
1689     // Setup in/out for next pass.
1690     in = intermediate;
1691     out = output;
1692   }
1693 }
1694
1695 static INLINE void load_buffer_16x16_avx2(const int16_t* input, __m128i *in0,
1696                                      __m128i *in1, int stride) {
1697   // load first 8 columns
1698   load_buffer_8x8_avx2(input, in0, stride);
1699   load_buffer_8x8_avx2(input + 8 * stride, in0 + 8, stride);
1700
1701   input += 8;
1702   // load second 8 columns
1703   load_buffer_8x8_avx2(input, in1, stride);
1704   load_buffer_8x8_avx2(input + 8 * stride, in1 + 8, stride);
1705 }
1706
1707 static INLINE void write_buffer_16x16_avx2(int16_t *output, __m128i *in0,
1708                                       __m128i *in1, int stride) {
1709   // write first 8 columns
1710   write_buffer_8x8_avx2(output, in0, stride);
1711   write_buffer_8x8_avx2(output + 8 * stride, in0 + 8, stride);
1712   // write second 8 columns
1713   output += 8;
1714   write_buffer_8x8_avx2(output, in1, stride);
1715   write_buffer_8x8_avx2(output + 8 * stride, in1 + 8, stride);
1716 }
1717
1718 static INLINE void array_transpose_16x16_avx2(__m128i *res0, __m128i *res1) {
1719   __m128i tbuf[8];
1720   array_transpose_8x8_avx2(res0, res0);
1721   array_transpose_8x8_avx2(res1, tbuf);
1722   array_transpose_8x8_avx2(res0 + 8, res1);
1723   array_transpose_8x8_avx2(res1 + 8, res1 + 8);
1724
1725   res0[8] = tbuf[0];
1726   res0[9] = tbuf[1];
1727   res0[10] = tbuf[2];
1728   res0[11] = tbuf[3];
1729   res0[12] = tbuf[4];
1730   res0[13] = tbuf[5];
1731   res0[14] = tbuf[6];
1732   res0[15] = tbuf[7];
1733 }
1734
1735 static INLINE void right_shift_16x16_avx2(__m128i *res0, __m128i *res1) {
1736   // perform rounding operations
1737   right_shift_8x8_avx2(res0, 2);
1738   right_shift_8x8_avx2(res0 + 8, 2);
1739   right_shift_8x8_avx2(res1, 2);
1740   right_shift_8x8_avx2(res1 + 8, 2);
1741 }
1742
1743 void fdct16_8col_avx2(__m128i *in) {
1744   // perform 16x16 1-D DCT for 8 columns
1745   __m128i i[8], s[8], p[8], t[8], u[16], v[16];
1746   const __m128i k__cospi_p16_p16 = _mm_set1_epi16(cospi_16_64);
1747   const __m128i k__cospi_p16_m16 = pair_set_epi16(cospi_16_64, -cospi_16_64);
1748   const __m128i k__cospi_m16_p16 = pair_set_epi16(-cospi_16_64, cospi_16_64);
1749   const __m128i k__cospi_p24_p08 = pair_set_epi16(cospi_24_64, cospi_8_64);
1750   const __m128i k__cospi_m24_m08 = pair_set_epi16(-cospi_24_64, -cospi_8_64);
1751   const __m128i k__cospi_m08_p24 = pair_set_epi16(-cospi_8_64, cospi_24_64);
1752   const __m128i k__cospi_p28_p04 = pair_set_epi16(cospi_28_64, cospi_4_64);
1753   const __m128i k__cospi_m04_p28 = pair_set_epi16(-cospi_4_64, cospi_28_64);
1754   const __m128i k__cospi_p12_p20 = pair_set_epi16(cospi_12_64, cospi_20_64);
1755   const __m128i k__cospi_m20_p12 = pair_set_epi16(-cospi_20_64, cospi_12_64);
1756   const __m128i k__cospi_p30_p02 = pair_set_epi16(cospi_30_64, cospi_2_64);
1757   const __m128i k__cospi_p14_p18 = pair_set_epi16(cospi_14_64, cospi_18_64);
1758   const __m128i k__cospi_m02_p30 = pair_set_epi16(-cospi_2_64, cospi_30_64);
1759   const __m128i k__cospi_m18_p14 = pair_set_epi16(-cospi_18_64, cospi_14_64);
1760   const __m128i k__cospi_p22_p10 = pair_set_epi16(cospi_22_64, cospi_10_64);
1761   const __m128i k__cospi_p06_p26 = pair_set_epi16(cospi_6_64, cospi_26_64);
1762   const __m128i k__cospi_m10_p22 = pair_set_epi16(-cospi_10_64, cospi_22_64);
1763   const __m128i k__cospi_m26_p06 = pair_set_epi16(-cospi_26_64, cospi_6_64);
1764   const __m128i k__DCT_CONST_ROUNDING = _mm_set1_epi32(DCT_CONST_ROUNDING);
1765
1766   // stage 1
1767   i[0] = _mm_add_epi16(in[0], in[15]);
1768   i[1] = _mm_add_epi16(in[1], in[14]);
1769   i[2] = _mm_add_epi16(in[2], in[13]);
1770   i[3] = _mm_add_epi16(in[3], in[12]);
1771   i[4] = _mm_add_epi16(in[4], in[11]);
1772   i[5] = _mm_add_epi16(in[5], in[10]);
1773   i[6] = _mm_add_epi16(in[6], in[9]);
1774   i[7] = _mm_add_epi16(in[7], in[8]);
1775
1776   s[0] = _mm_sub_epi16(in[7], in[8]);
1777   s[1] = _mm_sub_epi16(in[6], in[9]);
1778   s[2] = _mm_sub_epi16(in[5], in[10]);
1779   s[3] = _mm_sub_epi16(in[4], in[11]);
1780   s[4] = _mm_sub_epi16(in[3], in[12]);
1781   s[5] = _mm_sub_epi16(in[2], in[13]);
1782   s[6] = _mm_sub_epi16(in[1], in[14]);
1783   s[7] = _mm_sub_epi16(in[0], in[15]);
1784
1785   p[0] = _mm_add_epi16(i[0], i[7]);
1786   p[1] = _mm_add_epi16(i[1], i[6]);
1787   p[2] = _mm_add_epi16(i[2], i[5]);
1788   p[3] = _mm_add_epi16(i[3], i[4]);
1789   p[4] = _mm_sub_epi16(i[3], i[4]);
1790   p[5] = _mm_sub_epi16(i[2], i[5]);
1791   p[6] = _mm_sub_epi16(i[1], i[6]);
1792   p[7] = _mm_sub_epi16(i[0], i[7]);
1793
1794   u[0] = _mm_add_epi16(p[0], p[3]);
1795   u[1] = _mm_add_epi16(p[1], p[2]);
1796   u[2] = _mm_sub_epi16(p[1], p[2]);
1797   u[3] = _mm_sub_epi16(p[0], p[3]);
1798
1799   v[0] = _mm_unpacklo_epi16(u[0], u[1]);
1800   v[1] = _mm_unpackhi_epi16(u[0], u[1]);
1801   v[2] = _mm_unpacklo_epi16(u[2], u[3]);
1802   v[3] = _mm_unpackhi_epi16(u[2], u[3]);
1803
1804   u[0] = _mm_madd_epi16(v[0], k__cospi_p16_p16);
1805   u[1] = _mm_madd_epi16(v[1], k__cospi_p16_p16);
1806   u[2] = _mm_madd_epi16(v[0], k__cospi_p16_m16);
1807   u[3] = _mm_madd_epi16(v[1], k__cospi_p16_m16);
1808   u[4] = _mm_madd_epi16(v[2], k__cospi_p24_p08);
1809   u[5] = _mm_madd_epi16(v[3], k__cospi_p24_p08);
1810   u[6] = _mm_madd_epi16(v[2], k__cospi_m08_p24);
1811   u[7] = _mm_madd_epi16(v[3], k__cospi_m08_p24);
1812
1813   v[0] = _mm_add_epi32(u[0], k__DCT_CONST_ROUNDING);
1814   v[1] = _mm_add_epi32(u[1], k__DCT_CONST_ROUNDING);
1815   v[2] = _mm_add_epi32(u[2], k__DCT_CONST_ROUNDING);
1816   v[3] = _mm_add_epi32(u[3], k__DCT_CONST_ROUNDING);
1817   v[4] = _mm_add_epi32(u[4], k__DCT_CONST_ROUNDING);
1818   v[5] = _mm_add_epi32(u[5], k__DCT_CONST_ROUNDING);
1819   v[6] = _mm_add_epi32(u[6], k__DCT_CONST_ROUNDING);
1820   v[7] = _mm_add_epi32(u[7], k__DCT_CONST_ROUNDING);
1821
1822   u[0] = _mm_srai_epi32(v[0], DCT_CONST_BITS);
1823   u[1] = _mm_srai_epi32(v[1], DCT_CONST_BITS);
1824   u[2] = _mm_srai_epi32(v[2], DCT_CONST_BITS);
1825   u[3] = _mm_srai_epi32(v[3], DCT_CONST_BITS);
1826   u[4] = _mm_srai_epi32(v[4], DCT_CONST_BITS);
1827   u[5] = _mm_srai_epi32(v[5], DCT_CONST_BITS);
1828   u[6] = _mm_srai_epi32(v[6], DCT_CONST_BITS);
1829   u[7] = _mm_srai_epi32(v[7], DCT_CONST_BITS);
1830
1831   in[0] = _mm_packs_epi32(u[0], u[1]);
1832   in[4] = _mm_packs_epi32(u[4], u[5]);
1833   in[8] = _mm_packs_epi32(u[2], u[3]);
1834   in[12] = _mm_packs_epi32(u[6], u[7]);
1835
1836   u[0] = _mm_unpacklo_epi16(p[5], p[6]);
1837   u[1] = _mm_unpackhi_epi16(p[5], p[6]);
1838   v[0] = _mm_madd_epi16(u[0], k__cospi_m16_p16);
1839   v[1] = _mm_madd_epi16(u[1], k__cospi_m16_p16);
1840   v[2] = _mm_madd_epi16(u[0], k__cospi_p16_p16);
1841   v[3] = _mm_madd_epi16(u[1], k__cospi_p16_p16);
1842
1843   u[0] = _mm_add_epi32(v[0], k__DCT_CONST_ROUNDING);
1844   u[1] = _mm_add_epi32(v[1], k__DCT_CONST_ROUNDING);
1845   u[2] = _mm_add_epi32(v[2], k__DCT_CONST_ROUNDING);
1846   u[3] = _mm_add_epi32(v[3], k__DCT_CONST_ROUNDING);
1847
1848   v[0] = _mm_srai_epi32(u[0], DCT_CONST_BITS);
1849   v[1] = _mm_srai_epi32(u[1], DCT_CONST_BITS);
1850   v[2] = _mm_srai_epi32(u[2], DCT_CONST_BITS);
1851   v[3] = _mm_srai_epi32(u[3], DCT_CONST_BITS);
1852
1853   u[0] = _mm_packs_epi32(v[0], v[1]);
1854   u[1] = _mm_packs_epi32(v[2], v[3]);
1855
1856   t[0] = _mm_add_epi16(p[4], u[0]);
1857   t[1] = _mm_sub_epi16(p[4], u[0]);
1858   t[2] = _mm_sub_epi16(p[7], u[1]);
1859   t[3] = _mm_add_epi16(p[7], u[1]);
1860
1861   u[0] = _mm_unpacklo_epi16(t[0], t[3]);
1862   u[1] = _mm_unpackhi_epi16(t[0], t[3]);
1863   u[2] = _mm_unpacklo_epi16(t[1], t[2]);
1864   u[3] = _mm_unpackhi_epi16(t[1], t[2]);
1865
1866   v[0] = _mm_madd_epi16(u[0], k__cospi_p28_p04);
1867   v[1] = _mm_madd_epi16(u[1], k__cospi_p28_p04);
1868   v[2] = _mm_madd_epi16(u[2], k__cospi_p12_p20);
1869   v[3] = _mm_madd_epi16(u[3], k__cospi_p12_p20);
1870   v[4] = _mm_madd_epi16(u[2], k__cospi_m20_p12);
1871   v[5] = _mm_madd_epi16(u[3], k__cospi_m20_p12);
1872   v[6] = _mm_madd_epi16(u[0], k__cospi_m04_p28);
1873   v[7] = _mm_madd_epi16(u[1], k__cospi_m04_p28);
1874
1875   u[0] = _mm_add_epi32(v[0], k__DCT_CONST_ROUNDING);
1876   u[1] = _mm_add_epi32(v[1], k__DCT_CONST_ROUNDING);
1877   u[2] = _mm_add_epi32(v[2], k__DCT_CONST_ROUNDING);
1878   u[3] = _mm_add_epi32(v[3], k__DCT_CONST_ROUNDING);
1879   u[4] = _mm_add_epi32(v[4], k__DCT_CONST_ROUNDING);
1880   u[5] = _mm_add_epi32(v[5], k__DCT_CONST_ROUNDING);
1881   u[6] = _mm_add_epi32(v[6], k__DCT_CONST_ROUNDING);
1882   u[7] = _mm_add_epi32(v[7], k__DCT_CONST_ROUNDING);
1883
1884   v[0] = _mm_srai_epi32(u[0], DCT_CONST_BITS);
1885   v[1] = _mm_srai_epi32(u[1], DCT_CONST_BITS);
1886   v[2] = _mm_srai_epi32(u[2], DCT_CONST_BITS);
1887   v[3] = _mm_srai_epi32(u[3], DCT_CONST_BITS);
1888   v[4] = _mm_srai_epi32(u[4], DCT_CONST_BITS);
1889   v[5] = _mm_srai_epi32(u[5], DCT_CONST_BITS);
1890   v[6] = _mm_srai_epi32(u[6], DCT_CONST_BITS);
1891   v[7] = _mm_srai_epi32(u[7], DCT_CONST_BITS);
1892
1893   in[2] = _mm_packs_epi32(v[0], v[1]);
1894   in[6] = _mm_packs_epi32(v[4], v[5]);
1895   in[10] = _mm_packs_epi32(v[2], v[3]);
1896   in[14] = _mm_packs_epi32(v[6], v[7]);
1897
1898   // stage 2
1899   u[0] = _mm_unpacklo_epi16(s[2], s[5]);
1900   u[1] = _mm_unpackhi_epi16(s[2], s[5]);
1901   u[2] = _mm_unpacklo_epi16(s[3], s[4]);
1902   u[3] = _mm_unpackhi_epi16(s[3], s[4]);
1903
1904   v[0] = _mm_madd_epi16(u[0], k__cospi_m16_p16);
1905   v[1] = _mm_madd_epi16(u[1], k__cospi_m16_p16);
1906   v[2] = _mm_madd_epi16(u[2], k__cospi_m16_p16);
1907   v[3] = _mm_madd_epi16(u[3], k__cospi_m16_p16);
1908   v[4] = _mm_madd_epi16(u[2], k__cospi_p16_p16);
1909   v[5] = _mm_madd_epi16(u[3], k__cospi_p16_p16);
1910   v[6] = _mm_madd_epi16(u[0], k__cospi_p16_p16);
1911   v[7] = _mm_madd_epi16(u[1], k__cospi_p16_p16);
1912
1913   u[0] = _mm_add_epi32(v[0], k__DCT_CONST_ROUNDING);
1914   u[1] = _mm_add_epi32(v[1], k__DCT_CONST_ROUNDING);
1915   u[2] = _mm_add_epi32(v[2], k__DCT_CONST_ROUNDING);
1916   u[3] = _mm_add_epi32(v[3], k__DCT_CONST_ROUNDING);
1917   u[4] = _mm_add_epi32(v[4], k__DCT_CONST_ROUNDING);
1918   u[5] = _mm_add_epi32(v[5], k__DCT_CONST_ROUNDING);
1919   u[6] = _mm_add_epi32(v[6], k__DCT_CONST_ROUNDING);
1920   u[7] = _mm_add_epi32(v[7], k__DCT_CONST_ROUNDING);
1921
1922   v[0] = _mm_srai_epi32(u[0], DCT_CONST_BITS);
1923   v[1] = _mm_srai_epi32(u[1], DCT_CONST_BITS);
1924   v[2] = _mm_srai_epi32(u[2], DCT_CONST_BITS);
1925   v[3] = _mm_srai_epi32(u[3], DCT_CONST_BITS);
1926   v[4] = _mm_srai_epi32(u[4], DCT_CONST_BITS);
1927   v[5] = _mm_srai_epi32(u[5], DCT_CONST_BITS);
1928   v[6] = _mm_srai_epi32(u[6], DCT_CONST_BITS);
1929   v[7] = _mm_srai_epi32(u[7], DCT_CONST_BITS);
1930
1931   t[2] = _mm_packs_epi32(v[0], v[1]);
1932   t[3] = _mm_packs_epi32(v[2], v[3]);
1933   t[4] = _mm_packs_epi32(v[4], v[5]);
1934   t[5] = _mm_packs_epi32(v[6], v[7]);
1935
1936   // stage 3
1937   p[0] = _mm_add_epi16(s[0], t[3]);
1938   p[1] = _mm_add_epi16(s[1], t[2]);
1939   p[2] = _mm_sub_epi16(s[1], t[2]);
1940   p[3] = _mm_sub_epi16(s[0], t[3]);
1941   p[4] = _mm_sub_epi16(s[7], t[4]);
1942   p[5] = _mm_sub_epi16(s[6], t[5]);
1943   p[6] = _mm_add_epi16(s[6], t[5]);
1944   p[7] = _mm_add_epi16(s[7], t[4]);
1945
1946   // stage 4
1947   u[0] = _mm_unpacklo_epi16(p[1], p[6]);
1948   u[1] = _mm_unpackhi_epi16(p[1], p[6]);
1949   u[2] = _mm_unpacklo_epi16(p[2], p[5]);
1950   u[3] = _mm_unpackhi_epi16(p[2], p[5]);
1951
1952   v[0] = _mm_madd_epi16(u[0], k__cospi_m08_p24);
1953   v[1] = _mm_madd_epi16(u[1], k__cospi_m08_p24);
1954   v[2] = _mm_madd_epi16(u[2], k__cospi_m24_m08);
1955   v[3] = _mm_madd_epi16(u[3], k__cospi_m24_m08);
1956   v[4] = _mm_madd_epi16(u[2], k__cospi_m08_p24);
1957   v[5] = _mm_madd_epi16(u[3], k__cospi_m08_p24);
1958   v[6] = _mm_madd_epi16(u[0], k__cospi_p24_p08);
1959   v[7] = _mm_madd_epi16(u[1], k__cospi_p24_p08);
1960
1961   u[0] = _mm_add_epi32(v[0], k__DCT_CONST_ROUNDING);
1962   u[1] = _mm_add_epi32(v[1], k__DCT_CONST_ROUNDING);
1963   u[2] = _mm_add_epi32(v[2], k__DCT_CONST_ROUNDING);
1964   u[3] = _mm_add_epi32(v[3], k__DCT_CONST_ROUNDING);
1965   u[4] = _mm_add_epi32(v[4], k__DCT_CONST_ROUNDING);
1966   u[5] = _mm_add_epi32(v[5], k__DCT_CONST_ROUNDING);
1967   u[6] = _mm_add_epi32(v[6], k__DCT_CONST_ROUNDING);
1968   u[7] = _mm_add_epi32(v[7], k__DCT_CONST_ROUNDING);
1969
1970   v[0] = _mm_srai_epi32(u[0], DCT_CONST_BITS);
1971   v[1] = _mm_srai_epi32(u[1], DCT_CONST_BITS);
1972   v[2] = _mm_srai_epi32(u[2], DCT_CONST_BITS);
1973   v[3] = _mm_srai_epi32(u[3], DCT_CONST_BITS);
1974   v[4] = _mm_srai_epi32(u[4], DCT_CONST_BITS);
1975   v[5] = _mm_srai_epi32(u[5], DCT_CONST_BITS);
1976   v[6] = _mm_srai_epi32(u[6], DCT_CONST_BITS);
1977   v[7] = _mm_srai_epi32(u[7], DCT_CONST_BITS);
1978
1979   t[1] = _mm_packs_epi32(v[0], v[1]);
1980   t[2] = _mm_packs_epi32(v[2], v[3]);
1981   t[5] = _mm_packs_epi32(v[4], v[5]);
1982   t[6] = _mm_packs_epi32(v[6], v[7]);
1983
1984   // stage 5
1985   s[0] = _mm_add_epi16(p[0], t[1]);
1986   s[1] = _mm_sub_epi16(p[0], t[1]);
1987   s[2] = _mm_sub_epi16(p[3], t[2]);
1988   s[3] = _mm_add_epi16(p[3], t[2]);
1989   s[4] = _mm_add_epi16(p[4], t[5]);
1990   s[5] = _mm_sub_epi16(p[4], t[5]);
1991   s[6] = _mm_sub_epi16(p[7], t[6]);
1992   s[7] = _mm_add_epi16(p[7], t[6]);
1993
1994   // stage 6
1995   u[0] = _mm_unpacklo_epi16(s[0], s[7]);
1996   u[1] = _mm_unpackhi_epi16(s[0], s[7]);
1997   u[2] = _mm_unpacklo_epi16(s[1], s[6]);
1998   u[3] = _mm_unpackhi_epi16(s[1], s[6]);
1999   u[4] = _mm_unpacklo_epi16(s[2], s[5]);
2000   u[5] = _mm_unpackhi_epi16(s[2], s[5]);
2001   u[6] = _mm_unpacklo_epi16(s[3], s[4]);
2002   u[7] = _mm_unpackhi_epi16(s[3], s[4]);
2003
2004   v[0] = _mm_madd_epi16(u[0], k__cospi_p30_p02);
2005   v[1] = _mm_madd_epi16(u[1], k__cospi_p30_p02);
2006   v[2] = _mm_madd_epi16(u[2], k__cospi_p14_p18);
2007   v[3] = _mm_madd_epi16(u[3], k__cospi_p14_p18);
2008   v[4] = _mm_madd_epi16(u[4], k__cospi_p22_p10);
2009   v[5] = _mm_madd_epi16(u[5], k__cospi_p22_p10);
2010   v[6] = _mm_madd_epi16(u[6], k__cospi_p06_p26);
2011   v[7] = _mm_madd_epi16(u[7], k__cospi_p06_p26);
2012   v[8] = _mm_madd_epi16(u[6], k__cospi_m26_p06);
2013   v[9] = _mm_madd_epi16(u[7], k__cospi_m26_p06);
2014   v[10] = _mm_madd_epi16(u[4], k__cospi_m10_p22);
2015   v[11] = _mm_madd_epi16(u[5], k__cospi_m10_p22);
2016   v[12] = _mm_madd_epi16(u[2], k__cospi_m18_p14);
2017   v[13] = _mm_madd_epi16(u[3], k__cospi_m18_p14);
2018   v[14] = _mm_madd_epi16(u[0], k__cospi_m02_p30);
2019   v[15] = _mm_madd_epi16(u[1], k__cospi_m02_p30);
2020
2021   u[0] = _mm_add_epi32(v[0], k__DCT_CONST_ROUNDING);
2022   u[1] = _mm_add_epi32(v[1], k__DCT_CONST_ROUNDING);
2023   u[2] = _mm_add_epi32(v[2], k__DCT_CONST_ROUNDING);
2024   u[3] = _mm_add_epi32(v[3], k__DCT_CONST_ROUNDING);
2025   u[4] = _mm_add_epi32(v[4], k__DCT_CONST_ROUNDING);
2026   u[5] = _mm_add_epi32(v[5], k__DCT_CONST_ROUNDING);
2027   u[6] = _mm_add_epi32(v[6], k__DCT_CONST_ROUNDING);
2028   u[7] = _mm_add_epi32(v[7], k__DCT_CONST_ROUNDING);
2029   u[8] = _mm_add_epi32(v[8], k__DCT_CONST_ROUNDING);
2030   u[9] = _mm_add_epi32(v[9], k__DCT_CONST_ROUNDING);
2031   u[10] = _mm_add_epi32(v[10], k__DCT_CONST_ROUNDING);
2032   u[11] = _mm_add_epi32(v[11], k__DCT_CONST_ROUNDING);
2033   u[12] = _mm_add_epi32(v[12], k__DCT_CONST_ROUNDING);
2034   u[13] = _mm_add_epi32(v[13], k__DCT_CONST_ROUNDING);
2035   u[14] = _mm_add_epi32(v[14], k__DCT_CONST_ROUNDING);
2036   u[15] = _mm_add_epi32(v[15], k__DCT_CONST_ROUNDING);
2037
2038   v[0] = _mm_srai_epi32(u[0], DCT_CONST_BITS);
2039   v[1] = _mm_srai_epi32(u[1], DCT_CONST_BITS);
2040   v[2] = _mm_srai_epi32(u[2], DCT_CONST_BITS);
2041   v[3] = _mm_srai_epi32(u[3], DCT_CONST_BITS);
2042   v[4] = _mm_srai_epi32(u[4], DCT_CONST_BITS);
2043   v[5] = _mm_srai_epi32(u[5], DCT_CONST_BITS);
2044   v[6] = _mm_srai_epi32(u[6], DCT_CONST_BITS);
2045   v[7] = _mm_srai_epi32(u[7], DCT_CONST_BITS);
2046   v[8] = _mm_srai_epi32(u[8], DCT_CONST_BITS);
2047   v[9] = _mm_srai_epi32(u[9], DCT_CONST_BITS);
2048   v[10] = _mm_srai_epi32(u[10], DCT_CONST_BITS);
2049   v[11] = _mm_srai_epi32(u[11], DCT_CONST_BITS);
2050   v[12] = _mm_srai_epi32(u[12], DCT_CONST_BITS);
2051   v[13] = _mm_srai_epi32(u[13], DCT_CONST_BITS);
2052   v[14] = _mm_srai_epi32(u[14], DCT_CONST_BITS);
2053   v[15] = _mm_srai_epi32(u[15], DCT_CONST_BITS);
2054
2055   in[1]  = _mm_packs_epi32(v[0], v[1]);
2056   in[9]  = _mm_packs_epi32(v[2], v[3]);
2057   in[5]  = _mm_packs_epi32(v[4], v[5]);
2058   in[13] = _mm_packs_epi32(v[6], v[7]);
2059   in[3]  = _mm_packs_epi32(v[8], v[9]);
2060   in[11] = _mm_packs_epi32(v[10], v[11]);
2061   in[7]  = _mm_packs_epi32(v[12], v[13]);
2062   in[15] = _mm_packs_epi32(v[14], v[15]);
2063 }
2064
2065 void fadst16_8col_avx2(__m128i *in) {
2066   // perform 16x16 1-D ADST for 8 columns
2067   __m128i s[16], x[16], u[32], v[32];
2068   const __m128i k__cospi_p01_p31 = pair_set_epi16(cospi_1_64, cospi_31_64);
2069   const __m128i k__cospi_p31_m01 = pair_set_epi16(cospi_31_64, -cospi_1_64);
2070   const __m128i k__cospi_p05_p27 = pair_set_epi16(cospi_5_64, cospi_27_64);
2071   const __m128i k__cospi_p27_m05 = pair_set_epi16(cospi_27_64, -cospi_5_64);
2072   const __m128i k__cospi_p09_p23 = pair_set_epi16(cospi_9_64, cospi_23_64);
2073   const __m128i k__cospi_p23_m09 = pair_set_epi16(cospi_23_64, -cospi_9_64);
2074   const __m128i k__cospi_p13_p19 = pair_set_epi16(cospi_13_64, cospi_19_64);
2075   const __m128i k__cospi_p19_m13 = pair_set_epi16(cospi_19_64, -cospi_13_64);
2076   const __m128i k__cospi_p17_p15 = pair_set_epi16(cospi_17_64, cospi_15_64);
2077   const __m128i k__cospi_p15_m17 = pair_set_epi16(cospi_15_64, -cospi_17_64);
2078   const __m128i k__cospi_p21_p11 = pair_set_epi16(cospi_21_64, cospi_11_64);
2079   const __m128i k__cospi_p11_m21 = pair_set_epi16(cospi_11_64, -cospi_21_64);
2080   const __m128i k__cospi_p25_p07 = pair_set_epi16(cospi_25_64, cospi_7_64);
2081   const __m128i k__cospi_p07_m25 = pair_set_epi16(cospi_7_64, -cospi_25_64);
2082   const __m128i k__cospi_p29_p03 = pair_set_epi16(cospi_29_64, cospi_3_64);
2083   const __m128i k__cospi_p03_m29 = pair_set_epi16(cospi_3_64, -cospi_29_64);
2084   const __m128i k__cospi_p04_p28 = pair_set_epi16(cospi_4_64, cospi_28_64);
2085   const __m128i k__cospi_p28_m04 = pair_set_epi16(cospi_28_64, -cospi_4_64);
2086   const __m128i k__cospi_p20_p12 = pair_set_epi16(cospi_20_64, cospi_12_64);
2087   const __m128i k__cospi_p12_m20 = pair_set_epi16(cospi_12_64, -cospi_20_64);
2088   const __m128i k__cospi_m28_p04 = pair_set_epi16(-cospi_28_64, cospi_4_64);
2089   const __m128i k__cospi_m12_p20 = pair_set_epi16(-cospi_12_64, cospi_20_64);
2090   const __m128i k__cospi_p08_p24 = pair_set_epi16(cospi_8_64, cospi_24_64);
2091   const __m128i k__cospi_p24_m08 = pair_set_epi16(cospi_24_64, -cospi_8_64);
2092   const __m128i k__cospi_m24_p08 = pair_set_epi16(-cospi_24_64, cospi_8_64);
2093   const __m128i k__cospi_m16_m16 = _mm_set1_epi16(-cospi_16_64);
2094   const __m128i k__cospi_p16_p16 = _mm_set1_epi16(cospi_16_64);
2095   const __m128i k__cospi_p16_m16 = pair_set_epi16(cospi_16_64, -cospi_16_64);
2096   const __m128i k__cospi_m16_p16 = pair_set_epi16(-cospi_16_64, cospi_16_64);
2097   const __m128i k__DCT_CONST_ROUNDING = _mm_set1_epi32(DCT_CONST_ROUNDING);
2098   const __m128i kZero = _mm_set1_epi16(0);
2099
2100   u[0] = _mm_unpacklo_epi16(in[15], in[0]);
2101   u[1] = _mm_unpackhi_epi16(in[15], in[0]);
2102   u[2] = _mm_unpacklo_epi16(in[13], in[2]);
2103   u[3] = _mm_unpackhi_epi16(in[13], in[2]);
2104   u[4] = _mm_unpacklo_epi16(in[11], in[4]);
2105   u[5] = _mm_unpackhi_epi16(in[11], in[4]);
2106   u[6] = _mm_unpacklo_epi16(in[9], in[6]);
2107   u[7] = _mm_unpackhi_epi16(in[9], in[6]);
2108   u[8] = _mm_unpacklo_epi16(in[7], in[8]);
2109   u[9] = _mm_unpackhi_epi16(in[7], in[8]);
2110   u[10] = _mm_unpacklo_epi16(in[5], in[10]);
2111   u[11] = _mm_unpackhi_epi16(in[5], in[10]);
2112   u[12] = _mm_unpacklo_epi16(in[3], in[12]);
2113   u[13] = _mm_unpackhi_epi16(in[3], in[12]);
2114   u[14] = _mm_unpacklo_epi16(in[1], in[14]);
2115   u[15] = _mm_unpackhi_epi16(in[1], in[14]);
2116
2117   v[0] = _mm_madd_epi16(u[0], k__cospi_p01_p31);
2118   v[1] = _mm_madd_epi16(u[1], k__cospi_p01_p31);
2119   v[2] = _mm_madd_epi16(u[0], k__cospi_p31_m01);
2120   v[3] = _mm_madd_epi16(u[1], k__cospi_p31_m01);
2121   v[4] = _mm_madd_epi16(u[2], k__cospi_p05_p27);
2122   v[5] = _mm_madd_epi16(u[3], k__cospi_p05_p27);
2123   v[6] = _mm_madd_epi16(u[2], k__cospi_p27_m05);
2124   v[7] = _mm_madd_epi16(u[3], k__cospi_p27_m05);
2125   v[8] = _mm_madd_epi16(u[4], k__cospi_p09_p23);
2126   v[9] = _mm_madd_epi16(u[5], k__cospi_p09_p23);
2127   v[10] = _mm_madd_epi16(u[4], k__cospi_p23_m09);
2128   v[11] = _mm_madd_epi16(u[5], k__cospi_p23_m09);
2129   v[12] = _mm_madd_epi16(u[6], k__cospi_p13_p19);
2130   v[13] = _mm_madd_epi16(u[7], k__cospi_p13_p19);
2131   v[14] = _mm_madd_epi16(u[6], k__cospi_p19_m13);
2132   v[15] = _mm_madd_epi16(u[7], k__cospi_p19_m13);
2133   v[16] = _mm_madd_epi16(u[8], k__cospi_p17_p15);
2134   v[17] = _mm_madd_epi16(u[9], k__cospi_p17_p15);
2135   v[18] = _mm_madd_epi16(u[8], k__cospi_p15_m17);
2136   v[19] = _mm_madd_epi16(u[9], k__cospi_p15_m17);
2137   v[20] = _mm_madd_epi16(u[10], k__cospi_p21_p11);
2138   v[21] = _mm_madd_epi16(u[11], k__cospi_p21_p11);
2139   v[22] = _mm_madd_epi16(u[10], k__cospi_p11_m21);
2140   v[23] = _mm_madd_epi16(u[11], k__cospi_p11_m21);
2141   v[24] = _mm_madd_epi16(u[12], k__cospi_p25_p07);
2142   v[25] = _mm_madd_epi16(u[13], k__cospi_p25_p07);
2143   v[26] = _mm_madd_epi16(u[12], k__cospi_p07_m25);
2144   v[27] = _mm_madd_epi16(u[13], k__cospi_p07_m25);
2145   v[28] = _mm_madd_epi16(u[14], k__cospi_p29_p03);
2146   v[29] = _mm_madd_epi16(u[15], k__cospi_p29_p03);
2147   v[30] = _mm_madd_epi16(u[14], k__cospi_p03_m29);
2148   v[31] = _mm_madd_epi16(u[15], k__cospi_p03_m29);
2149
2150   u[0] = _mm_add_epi32(v[0], v[16]);
2151   u[1] = _mm_add_epi32(v[1], v[17]);
2152   u[2] = _mm_add_epi32(v[2], v[18]);
2153   u[3] = _mm_add_epi32(v[3], v[19]);
2154   u[4] = _mm_add_epi32(v[4], v[20]);
2155   u[5] = _mm_add_epi32(v[5], v[21]);
2156   u[6] = _mm_add_epi32(v[6], v[22]);
2157   u[7] = _mm_add_epi32(v[7], v[23]);
2158   u[8] = _mm_add_epi32(v[8], v[24]);
2159   u[9] = _mm_add_epi32(v[9], v[25]);
2160   u[10] = _mm_add_epi32(v[10], v[26]);
2161   u[11] = _mm_add_epi32(v[11], v[27]);
2162   u[12] = _mm_add_epi32(v[12], v[28]);
2163   u[13] = _mm_add_epi32(v[13], v[29]);
2164   u[14] = _mm_add_epi32(v[14], v[30]);
2165   u[15] = _mm_add_epi32(v[15], v[31]);
2166   u[16] = _mm_sub_epi32(v[0], v[16]);
2167   u[17] = _mm_sub_epi32(v[1], v[17]);
2168   u[18] = _mm_sub_epi32(v[2], v[18]);
2169   u[19] = _mm_sub_epi32(v[3], v[19]);
2170   u[20] = _mm_sub_epi32(v[4], v[20]);
2171   u[21] = _mm_sub_epi32(v[5], v[21]);
2172   u[22] = _mm_sub_epi32(v[6], v[22]);
2173   u[23] = _mm_sub_epi32(v[7], v[23]);
2174   u[24] = _mm_sub_epi32(v[8], v[24]);
2175   u[25] = _mm_sub_epi32(v[9], v[25]);
2176   u[26] = _mm_sub_epi32(v[10], v[26]);
2177   u[27] = _mm_sub_epi32(v[11], v[27]);
2178   u[28] = _mm_sub_epi32(v[12], v[28]);
2179   u[29] = _mm_sub_epi32(v[13], v[29]);
2180   u[30] = _mm_sub_epi32(v[14], v[30]);
2181   u[31] = _mm_sub_epi32(v[15], v[31]);
2182
2183   v[0] = _mm_add_epi32(u[0], k__DCT_CONST_ROUNDING);
2184   v[1] = _mm_add_epi32(u[1], k__DCT_CONST_ROUNDING);
2185   v[2] = _mm_add_epi32(u[2], k__DCT_CONST_ROUNDING);
2186   v[3] = _mm_add_epi32(u[3], k__DCT_CONST_ROUNDING);
2187   v[4] = _mm_add_epi32(u[4], k__DCT_CONST_ROUNDING);
2188   v[5] = _mm_add_epi32(u[5], k__DCT_CONST_ROUNDING);
2189   v[6] = _mm_add_epi32(u[6], k__DCT_CONST_ROUNDING);
2190   v[7] = _mm_add_epi32(u[7], k__DCT_CONST_ROUNDING);
2191   v[8] = _mm_add_epi32(u[8], k__DCT_CONST_ROUNDING);
2192   v[9] = _mm_add_epi32(u[9], k__DCT_CONST_ROUNDING);
2193   v[10] = _mm_add_epi32(u[10], k__DCT_CONST_ROUNDING);
2194   v[11] = _mm_add_epi32(u[11], k__DCT_CONST_ROUNDING);
2195   v[12] = _mm_add_epi32(u[12], k__DCT_CONST_ROUNDING);
2196   v[13] = _mm_add_epi32(u[13], k__DCT_CONST_ROUNDING);
2197   v[14] = _mm_add_epi32(u[14], k__DCT_CONST_ROUNDING);
2198   v[15] = _mm_add_epi32(u[15], k__DCT_CONST_ROUNDING);
2199   v[16] = _mm_add_epi32(u[16], k__DCT_CONST_ROUNDING);
2200   v[17] = _mm_add_epi32(u[17], k__DCT_CONST_ROUNDING);
2201   v[18] = _mm_add_epi32(u[18], k__DCT_CONST_ROUNDING);
2202   v[19] = _mm_add_epi32(u[19], k__DCT_CONST_ROUNDING);
2203   v[20] = _mm_add_epi32(u[20], k__DCT_CONST_ROUNDING);
2204   v[21] = _mm_add_epi32(u[21], k__DCT_CONST_ROUNDING);
2205   v[22] = _mm_add_epi32(u[22], k__DCT_CONST_ROUNDING);
2206   v[23] = _mm_add_epi32(u[23], k__DCT_CONST_ROUNDING);
2207   v[24] = _mm_add_epi32(u[24], k__DCT_CONST_ROUNDING);
2208   v[25] = _mm_add_epi32(u[25], k__DCT_CONST_ROUNDING);
2209   v[26] = _mm_add_epi32(u[26], k__DCT_CONST_ROUNDING);
2210   v[27] = _mm_add_epi32(u[27], k__DCT_CONST_ROUNDING);
2211   v[28] = _mm_add_epi32(u[28], k__DCT_CONST_ROUNDING);
2212   v[29] = _mm_add_epi32(u[29], k__DCT_CONST_ROUNDING);
2213   v[30] = _mm_add_epi32(u[30], k__DCT_CONST_ROUNDING);
2214   v[31] = _mm_add_epi32(u[31], k__DCT_CONST_ROUNDING);
2215
2216   u[0] = _mm_srai_epi32(v[0], DCT_CONST_BITS);
2217   u[1] = _mm_srai_epi32(v[1], DCT_CONST_BITS);
2218   u[2] = _mm_srai_epi32(v[2], DCT_CONST_BITS);
2219   u[3] = _mm_srai_epi32(v[3], DCT_CONST_BITS);
2220   u[4] = _mm_srai_epi32(v[4], DCT_CONST_BITS);
2221   u[5] = _mm_srai_epi32(v[5], DCT_CONST_BITS);
2222   u[6] = _mm_srai_epi32(v[6], DCT_CONST_BITS);
2223   u[7] = _mm_srai_epi32(v[7], DCT_CONST_BITS);
2224   u[8] = _mm_srai_epi32(v[8], DCT_CONST_BITS);
2225   u[9] = _mm_srai_epi32(v[9], DCT_CONST_BITS);
2226   u[10] = _mm_srai_epi32(v[10], DCT_CONST_BITS);
2227   u[11] = _mm_srai_epi32(v[11], DCT_CONST_BITS);
2228   u[12] = _mm_srai_epi32(v[12], DCT_CONST_BITS);
2229   u[13] = _mm_srai_epi32(v[13], DCT_CONST_BITS);
2230   u[14] = _mm_srai_epi32(v[14], DCT_CONST_BITS);
2231   u[15] = _mm_srai_epi32(v[15], DCT_CONST_BITS);
2232   u[16] = _mm_srai_epi32(v[16], DCT_CONST_BITS);
2233   u[17] = _mm_srai_epi32(v[17], DCT_CONST_BITS);
2234   u[18] = _mm_srai_epi32(v[18], DCT_CONST_BITS);
2235   u[19] = _mm_srai_epi32(v[19], DCT_CONST_BITS);
2236   u[20] = _mm_srai_epi32(v[20], DCT_CONST_BITS);
2237   u[21] = _mm_srai_epi32(v[21], DCT_CONST_BITS);
2238   u[22] = _mm_srai_epi32(v[22], DCT_CONST_BITS);
2239   u[23] = _mm_srai_epi32(v[23], DCT_CONST_BITS);
2240   u[24] = _mm_srai_epi32(v[24], DCT_CONST_BITS);
2241   u[25] = _mm_srai_epi32(v[25], DCT_CONST_BITS);
2242   u[26] = _mm_srai_epi32(v[26], DCT_CONST_BITS);
2243   u[27] = _mm_srai_epi32(v[27], DCT_CONST_BITS);
2244   u[28] = _mm_srai_epi32(v[28], DCT_CONST_BITS);
2245   u[29] = _mm_srai_epi32(v[29], DCT_CONST_BITS);
2246   u[30] = _mm_srai_epi32(v[30], DCT_CONST_BITS);
2247   u[31] = _mm_srai_epi32(v[31], DCT_CONST_BITS);
2248
2249   s[0] = _mm_packs_epi32(u[0], u[1]);
2250   s[1] = _mm_packs_epi32(u[2], u[3]);
2251   s[2] = _mm_packs_epi32(u[4], u[5]);
2252   s[3] = _mm_packs_epi32(u[6], u[7]);
2253   s[4] = _mm_packs_epi32(u[8], u[9]);
2254   s[5] = _mm_packs_epi32(u[10], u[11]);
2255   s[6] = _mm_packs_epi32(u[12], u[13]);
2256   s[7] = _mm_packs_epi32(u[14], u[15]);
2257   s[8] = _mm_packs_epi32(u[16], u[17]);
2258   s[9] = _mm_packs_epi32(u[18], u[19]);
2259   s[10] = _mm_packs_epi32(u[20], u[21]);
2260   s[11] = _mm_packs_epi32(u[22], u[23]);
2261   s[12] = _mm_packs_epi32(u[24], u[25]);
2262   s[13] = _mm_packs_epi32(u[26], u[27]);
2263   s[14] = _mm_packs_epi32(u[28], u[29]);
2264   s[15] = _mm_packs_epi32(u[30], u[31]);
2265
2266   // stage 2
2267   u[0] = _mm_unpacklo_epi16(s[8], s[9]);
2268   u[1] = _mm_unpackhi_epi16(s[8], s[9]);
2269   u[2] = _mm_unpacklo_epi16(s[10], s[11]);
2270   u[3] = _mm_unpackhi_epi16(s[10], s[11]);
2271   u[4] = _mm_unpacklo_epi16(s[12], s[13]);
2272   u[5] = _mm_unpackhi_epi16(s[12], s[13]);
2273   u[6] = _mm_unpacklo_epi16(s[14], s[15]);
2274   u[7] = _mm_unpackhi_epi16(s[14], s[15]);
2275
2276   v[0] = _mm_madd_epi16(u[0], k__cospi_p04_p28);
2277   v[1] = _mm_madd_epi16(u[1], k__cospi_p04_p28);
2278   v[2] = _mm_madd_epi16(u[0], k__cospi_p28_m04);
2279   v[3] = _mm_madd_epi16(u[1], k__cospi_p28_m04);
2280   v[4] = _mm_madd_epi16(u[2], k__cospi_p20_p12);
2281   v[5] = _mm_madd_epi16(u[3], k__cospi_p20_p12);
2282   v[6] = _mm_madd_epi16(u[2], k__cospi_p12_m20);
2283   v[7] = _mm_madd_epi16(u[3], k__cospi_p12_m20);
2284   v[8] = _mm_madd_epi16(u[4], k__cospi_m28_p04);
2285   v[9] = _mm_madd_epi16(u[5], k__cospi_m28_p04);
2286   v[10] = _mm_madd_epi16(u[4], k__cospi_p04_p28);
2287   v[11] = _mm_madd_epi16(u[5], k__cospi_p04_p28);
2288   v[12] = _mm_madd_epi16(u[6], k__cospi_m12_p20);
2289   v[13] = _mm_madd_epi16(u[7], k__cospi_m12_p20);
2290   v[14] = _mm_madd_epi16(u[6], k__cospi_p20_p12);
2291   v[15] = _mm_madd_epi16(u[7], k__cospi_p20_p12);
2292
2293   u[0] = _mm_add_epi32(v[0], v[8]);
2294   u[1] = _mm_add_epi32(v[1], v[9]);
2295   u[2] = _mm_add_epi32(v[2], v[10]);
2296   u[3] = _mm_add_epi32(v[3], v[11]);
2297   u[4] = _mm_add_epi32(v[4], v[12]);
2298   u[5] = _mm_add_epi32(v[5], v[13]);
2299   u[6] = _mm_add_epi32(v[6], v[14]);
2300   u[7] = _mm_add_epi32(v[7], v[15]);
2301   u[8] = _mm_sub_epi32(v[0], v[8]);
2302   u[9] = _mm_sub_epi32(v[1], v[9]);
2303   u[10] = _mm_sub_epi32(v[2], v[10]);
2304   u[11] = _mm_sub_epi32(v[3], v[11]);
2305   u[12] = _mm_sub_epi32(v[4], v[12]);
2306   u[13] = _mm_sub_epi32(v[5], v[13]);
2307   u[14] = _mm_sub_epi32(v[6], v[14]);
2308   u[15] = _mm_sub_epi32(v[7], v[15]);
2309
2310   v[0] = _mm_add_epi32(u[0], k__DCT_CONST_ROUNDING);
2311   v[1] = _mm_add_epi32(u[1], k__DCT_CONST_ROUNDING);
2312   v[2] = _mm_add_epi32(u[2], k__DCT_CONST_ROUNDING);
2313   v[3] = _mm_add_epi32(u[3], k__DCT_CONST_ROUNDING);
2314   v[4] = _mm_add_epi32(u[4], k__DCT_CONST_ROUNDING);
2315   v[5] = _mm_add_epi32(u[5], k__DCT_CONST_ROUNDING);
2316   v[6] = _mm_add_epi32(u[6], k__DCT_CONST_ROUNDING);
2317   v[7] = _mm_add_epi32(u[7], k__DCT_CONST_ROUNDING);
2318   v[8] = _mm_add_epi32(u[8], k__DCT_CONST_ROUNDING);
2319   v[9] = _mm_add_epi32(u[9], k__DCT_CONST_ROUNDING);
2320   v[10] = _mm_add_epi32(u[10], k__DCT_CONST_ROUNDING);
2321   v[11] = _mm_add_epi32(u[11], k__DCT_CONST_ROUNDING);
2322   v[12] = _mm_add_epi32(u[12], k__DCT_CONST_ROUNDING);
2323   v[13] = _mm_add_epi32(u[13], k__DCT_CONST_ROUNDING);
2324   v[14] = _mm_add_epi32(u[14], k__DCT_CONST_ROUNDING);
2325   v[15] = _mm_add_epi32(u[15], k__DCT_CONST_ROUNDING);
2326
2327   u[0] = _mm_srai_epi32(v[0], DCT_CONST_BITS);
2328   u[1] = _mm_srai_epi32(v[1], DCT_CONST_BITS);
2329   u[2] = _mm_srai_epi32(v[2], DCT_CONST_BITS);
2330   u[3] = _mm_srai_epi32(v[3], DCT_CONST_BITS);
2331   u[4] = _mm_srai_epi32(v[4], DCT_CONST_BITS);
2332   u[5] = _mm_srai_epi32(v[5], DCT_CONST_BITS);
2333   u[6] = _mm_srai_epi32(v[6], DCT_CONST_BITS);
2334   u[7] = _mm_srai_epi32(v[7], DCT_CONST_BITS);
2335   u[8] = _mm_srai_epi32(v[8], DCT_CONST_BITS);
2336   u[9] = _mm_srai_epi32(v[9], DCT_CONST_BITS);
2337   u[10] = _mm_srai_epi32(v[10], DCT_CONST_BITS);
2338   u[11] = _mm_srai_epi32(v[11], DCT_CONST_BITS);
2339   u[12] = _mm_srai_epi32(v[12], DCT_CONST_BITS);
2340   u[13] = _mm_srai_epi32(v[13], DCT_CONST_BITS);
2341   u[14] = _mm_srai_epi32(v[14], DCT_CONST_BITS);
2342   u[15] = _mm_srai_epi32(v[15], DCT_CONST_BITS);
2343
2344   x[0] = _mm_add_epi16(s[0], s[4]);
2345   x[1] = _mm_add_epi16(s[1], s[5]);
2346   x[2] = _mm_add_epi16(s[2], s[6]);
2347   x[3] = _mm_add_epi16(s[3], s[7]);
2348   x[4] = _mm_sub_epi16(s[0], s[4]);
2349   x[5] = _mm_sub_epi16(s[1], s[5]);
2350   x[6] = _mm_sub_epi16(s[2], s[6]);
2351   x[7] = _mm_sub_epi16(s[3], s[7]);
2352   x[8] = _mm_packs_epi32(u[0], u[1]);
2353   x[9] = _mm_packs_epi32(u[2], u[3]);
2354   x[10] = _mm_packs_epi32(u[4], u[5]);
2355   x[11] = _mm_packs_epi32(u[6], u[7]);
2356   x[12] = _mm_packs_epi32(u[8], u[9]);
2357   x[13] = _mm_packs_epi32(u[10], u[11]);
2358   x[14] = _mm_packs_epi32(u[12], u[13]);
2359   x[15] = _mm_packs_epi32(u[14], u[15]);
2360
2361   // stage 3
2362   u[0] = _mm_unpacklo_epi16(x[4], x[5]);
2363   u[1] = _mm_unpackhi_epi16(x[4], x[5]);
2364   u[2] = _mm_unpacklo_epi16(x[6], x[7]);
2365   u[3] = _mm_unpackhi_epi16(x[6], x[7]);
2366   u[4] = _mm_unpacklo_epi16(x[12], x[13]);
2367   u[5] = _mm_unpackhi_epi16(x[12], x[13]);
2368   u[6] = _mm_unpacklo_epi16(x[14], x[15]);
2369   u[7] = _mm_unpackhi_epi16(x[14], x[15]);
2370
2371   v[0] = _mm_madd_epi16(u[0], k__cospi_p08_p24);
2372   v[1] = _mm_madd_epi16(u[1], k__cospi_p08_p24);
2373   v[2] = _mm_madd_epi16(u[0], k__cospi_p24_m08);
2374   v[3] = _mm_madd_epi16(u[1], k__cospi_p24_m08);
2375   v[4] = _mm_madd_epi16(u[2], k__cospi_m24_p08);
2376   v[5] = _mm_madd_epi16(u[3], k__cospi_m24_p08);
2377   v[6] = _mm_madd_epi16(u[2], k__cospi_p08_p24);
2378   v[7] = _mm_madd_epi16(u[3], k__cospi_p08_p24);
2379   v[8] = _mm_madd_epi16(u[4], k__cospi_p08_p24);
2380   v[9] = _mm_madd_epi16(u[5], k__cospi_p08_p24);
2381   v[10] = _mm_madd_epi16(u[4], k__cospi_p24_m08);
2382   v[11] = _mm_madd_epi16(u[5], k__cospi_p24_m08);
2383   v[12] = _mm_madd_epi16(u[6], k__cospi_m24_p08);
2384   v[13] = _mm_madd_epi16(u[7], k__cospi_m24_p08);
2385   v[14] = _mm_madd_epi16(u[6], k__cospi_p08_p24);
2386   v[15] = _mm_madd_epi16(u[7], k__cospi_p08_p24);
2387
2388   u[0] = _mm_add_epi32(v[0], v[4]);
2389   u[1] = _mm_add_epi32(v[1], v[5]);
2390   u[2] = _mm_add_epi32(v[2], v[6]);
2391   u[3] = _mm_add_epi32(v[3], v[7]);
2392   u[4] = _mm_sub_epi32(v[0], v[4]);
2393   u[5] = _mm_sub_epi32(v[1], v[5]);
2394   u[6] = _mm_sub_epi32(v[2], v[6]);
2395   u[7] = _mm_sub_epi32(v[3], v[7]);
2396   u[8] = _mm_add_epi32(v[8], v[12]);
2397   u[9] = _mm_add_epi32(v[9], v[13]);
2398   u[10] = _mm_add_epi32(v[10], v[14]);
2399   u[11] = _mm_add_epi32(v[11], v[15]);
2400   u[12] = _mm_sub_epi32(v[8], v[12]);
2401   u[13] = _mm_sub_epi32(v[9], v[13]);
2402   u[14] = _mm_sub_epi32(v[10], v[14]);
2403   u[15] = _mm_sub_epi32(v[11], v[15]);
2404
2405   u[0] = _mm_add_epi32(u[0], k__DCT_CONST_ROUNDING);
2406   u[1] = _mm_add_epi32(u[1], k__DCT_CONST_ROUNDING);
2407   u[2] = _mm_add_epi32(u[2], k__DCT_CONST_ROUNDING);
2408   u[3] = _mm_add_epi32(u[3], k__DCT_CONST_ROUNDING);
2409   u[4] = _mm_add_epi32(u[4], k__DCT_CONST_ROUNDING);
2410   u[5] = _mm_add_epi32(u[5], k__DCT_CONST_ROUNDING);
2411   u[6] = _mm_add_epi32(u[6], k__DCT_CONST_ROUNDING);
2412   u[7] = _mm_add_epi32(u[7], k__DCT_CONST_ROUNDING);
2413   u[8] = _mm_add_epi32(u[8], k__DCT_CONST_ROUNDING);
2414   u[9] = _mm_add_epi32(u[9], k__DCT_CONST_ROUNDING);
2415   u[10] = _mm_add_epi32(u[10], k__DCT_CONST_ROUNDING);
2416   u[11] = _mm_add_epi32(u[11], k__DCT_CONST_ROUNDING);
2417   u[12] = _mm_add_epi32(u[12], k__DCT_CONST_ROUNDING);
2418   u[13] = _mm_add_epi32(u[13], k__DCT_CONST_ROUNDING);
2419   u[14] = _mm_add_epi32(u[14], k__DCT_CONST_ROUNDING);
2420   u[15] = _mm_add_epi32(u[15], k__DCT_CONST_ROUNDING);
2421
2422   v[0] = _mm_srai_epi32(u[0], DCT_CONST_BITS);
2423   v[1] = _mm_srai_epi32(u[1], DCT_CONST_BITS);
2424   v[2] = _mm_srai_epi32(u[2], DCT_CONST_BITS);
2425   v[3] = _mm_srai_epi32(u[3], DCT_CONST_BITS);
2426   v[4] = _mm_srai_epi32(u[4], DCT_CONST_BITS);
2427   v[5] = _mm_srai_epi32(u[5], DCT_CONST_BITS);
2428   v[6] = _mm_srai_epi32(u[6], DCT_CONST_BITS);
2429   v[7] = _mm_srai_epi32(u[7], DCT_CONST_BITS);
2430   v[8] = _mm_srai_epi32(u[8], DCT_CONST_BITS);
2431   v[9] = _mm_srai_epi32(u[9], DCT_CONST_BITS);
2432   v[10] = _mm_srai_epi32(u[10], DCT_CONST_BITS);
2433   v[11] = _mm_srai_epi32(u[11], DCT_CONST_BITS);
2434   v[12] = _mm_srai_epi32(u[12], DCT_CONST_BITS);
2435   v[13] = _mm_srai_epi32(u[13], DCT_CONST_BITS);
2436   v[14] = _mm_srai_epi32(u[14], DCT_CONST_BITS);
2437   v[15] = _mm_srai_epi32(u[15], DCT_CONST_BITS);
2438
2439   s[0] = _mm_add_epi16(x[0], x[2]);
2440   s[1] = _mm_add_epi16(x[1], x[3]);
2441   s[2] = _mm_sub_epi16(x[0], x[2]);
2442   s[3] = _mm_sub_epi16(x[1], x[3]);
2443   s[4] = _mm_packs_epi32(v[0], v[1]);
2444   s[5] = _mm_packs_epi32(v[2], v[3]);
2445   s[6] = _mm_packs_epi32(v[4], v[5]);
2446   s[7] = _mm_packs_epi32(v[6], v[7]);
2447   s[8] = _mm_add_epi16(x[8], x[10]);
2448   s[9] = _mm_add_epi16(x[9], x[11]);
2449   s[10] = _mm_sub_epi16(x[8], x[10]);
2450   s[11] = _mm_sub_epi16(x[9], x[11]);
2451   s[12] = _mm_packs_epi32(v[8], v[9]);
2452   s[13] = _mm_packs_epi32(v[10], v[11]);
2453   s[14] = _mm_packs_epi32(v[12], v[13]);
2454   s[15] = _mm_packs_epi32(v[14], v[15]);
2455
2456   // stage 4
2457   u[0] = _mm_unpacklo_epi16(s[2], s[3]);
2458   u[1] = _mm_unpackhi_epi16(s[2], s[3]);
2459   u[2] = _mm_unpacklo_epi16(s[6], s[7]);
2460   u[3] = _mm_unpackhi_epi16(s[6], s[7]);
2461   u[4] = _mm_unpacklo_epi16(s[10], s[11]);
2462   u[5] = _mm_unpackhi_epi16(s[10], s[11]);
2463   u[6] = _mm_unpacklo_epi16(s[14], s[15]);
2464   u[7] = _mm_unpackhi_epi16(s[14], s[15]);
2465
2466   v[0] = _mm_madd_epi16(u[0], k__cospi_m16_m16);
2467   v[1] = _mm_madd_epi16(u[1], k__cospi_m16_m16);
2468   v[2] = _mm_madd_epi16(u[0], k__cospi_p16_m16);
2469   v[3] = _mm_madd_epi16(u[1], k__cospi_p16_m16);
2470   v[4] = _mm_madd_epi16(u[2], k__cospi_p16_p16);
2471   v[5] = _mm_madd_epi16(u[3], k__cospi_p16_p16);
2472   v[6] = _mm_madd_epi16(u[2], k__cospi_m16_p16);
2473   v[7] = _mm_madd_epi16(u[3], k__cospi_m16_p16);
2474   v[8] = _mm_madd_epi16(u[4], k__cospi_p16_p16);
2475   v[9] = _mm_madd_epi16(u[5], k__cospi_p16_p16);
2476   v[10] = _mm_madd_epi16(u[4], k__cospi_m16_p16);
2477   v[11] = _mm_madd_epi16(u[5], k__cospi_m16_p16);
2478   v[12] = _mm_madd_epi16(u[6], k__cospi_m16_m16);
2479   v[13] = _mm_madd_epi16(u[7], k__cospi_m16_m16);
2480   v[14] = _mm_madd_epi16(u[6], k__cospi_p16_m16);
2481   v[15] = _mm_madd_epi16(u[7], k__cospi_p16_m16);
2482
2483   u[0] = _mm_add_epi32(v[0], k__DCT_CONST_ROUNDING);
2484   u[1] = _mm_add_epi32(v[1], k__DCT_CONST_ROUNDING);
2485   u[2] = _mm_add_epi32(v[2], k__DCT_CONST_ROUNDING);
2486   u[3] = _mm_add_epi32(v[3], k__DCT_CONST_ROUNDING);
2487   u[4] = _mm_add_epi32(v[4], k__DCT_CONST_ROUNDING);
2488   u[5] = _mm_add_epi32(v[5], k__DCT_CONST_ROUNDING);
2489   u[6] = _mm_add_epi32(v[6], k__DCT_CONST_ROUNDING);
2490   u[7] = _mm_add_epi32(v[7], k__DCT_CONST_ROUNDING);
2491   u[8] = _mm_add_epi32(v[8], k__DCT_CONST_ROUNDING);
2492   u[9] = _mm_add_epi32(v[9], k__DCT_CONST_ROUNDING);
2493   u[10] = _mm_add_epi32(v[10], k__DCT_CONST_ROUNDING);
2494   u[11] = _mm_add_epi32(v[11], k__DCT_CONST_ROUNDING);
2495   u[12] = _mm_add_epi32(v[12], k__DCT_CONST_ROUNDING);
2496   u[13] = _mm_add_epi32(v[13], k__DCT_CONST_ROUNDING);
2497   u[14] = _mm_add_epi32(v[14], k__DCT_CONST_ROUNDING);
2498   u[15] = _mm_add_epi32(v[15], k__DCT_CONST_ROUNDING);
2499
2500   v[0] = _mm_srai_epi32(u[0], DCT_CONST_BITS);
2501   v[1] = _mm_srai_epi32(u[1], DCT_CONST_BITS);
2502   v[2] = _mm_srai_epi32(u[2], DCT_CONST_BITS);
2503   v[3] = _mm_srai_epi32(u[3], DCT_CONST_BITS);
2504   v[4] = _mm_srai_epi32(u[4], DCT_CONST_BITS);
2505   v[5] = _mm_srai_epi32(u[5], DCT_CONST_BITS);
2506   v[6] = _mm_srai_epi32(u[6], DCT_CONST_BITS);
2507   v[7] = _mm_srai_epi32(u[7], DCT_CONST_BITS);
2508   v[8] = _mm_srai_epi32(u[8], DCT_CONST_BITS);
2509   v[9] = _mm_srai_epi32(u[9], DCT_CONST_BITS);
2510   v[10] = _mm_srai_epi32(u[10], DCT_CONST_BITS);
2511   v[11] = _mm_srai_epi32(u[11], DCT_CONST_BITS);
2512   v[12] = _mm_srai_epi32(u[12], DCT_CONST_BITS);
2513   v[13] = _mm_srai_epi32(u[13], DCT_CONST_BITS);
2514   v[14] = _mm_srai_epi32(u[14], DCT_CONST_BITS);
2515   v[15] = _mm_srai_epi32(u[15], DCT_CONST_BITS);
2516
2517   in[0] = s[0];
2518   in[1] = _mm_sub_epi16(kZero, s[8]);
2519   in[2] = s[12];
2520   in[3] = _mm_sub_epi16(kZero, s[4]);
2521   in[4] = _mm_packs_epi32(v[4], v[5]);
2522   in[5] = _mm_packs_epi32(v[12], v[13]);
2523   in[6] = _mm_packs_epi32(v[8], v[9]);
2524   in[7] = _mm_packs_epi32(v[0], v[1]);
2525   in[8] = _mm_packs_epi32(v[2], v[3]);
2526   in[9] = _mm_packs_epi32(v[10], v[11]);
2527   in[10] = _mm_packs_epi32(v[14], v[15]);
2528   in[11] = _mm_packs_epi32(v[6], v[7]);
2529   in[12] = s[5];
2530   in[13] = _mm_sub_epi16(kZero, s[13]);
2531   in[14] = s[9];
2532   in[15] = _mm_sub_epi16(kZero, s[1]);
2533 }
2534
2535 void fdct16_avx2(__m128i *in0, __m128i *in1) {
2536   fdct16_8col_avx2(in0);
2537   fdct16_8col_avx2(in1);
2538   array_transpose_16x16_avx2(in0, in1);
2539 }
2540
2541 void fadst16_avx2(__m128i *in0, __m128i *in1) {
2542   fadst16_8col_avx2(in0);
2543   fadst16_8col_avx2(in1);
2544   array_transpose_16x16_avx2(in0, in1);
2545 }
2546
2547 void vp9_fht16x16_avx2(const int16_t *input, int16_t *output,
2548                       int stride, int tx_type) {
2549   __m128i in0[16], in1[16];
2550
2551   switch (tx_type) {
2552     case DCT_DCT:
2553       vp9_fdct16x16_avx2(input, output, stride);
2554       break;
2555     case ADST_DCT:
2556       load_buffer_16x16_avx2(input, in0, in1, stride);
2557       fadst16_avx2(in0, in1);
2558       right_shift_16x16_avx2(in0, in1);
2559       fdct16_avx2(in0, in1);
2560       write_buffer_16x16_avx2(output, in0, in1, 16);
2561       break;
2562     case DCT_ADST:
2563       load_buffer_16x16_avx2(input, in0, in1, stride);
2564       fdct16_avx2(in0, in1);
2565       right_shift_16x16_avx2(in0, in1);
2566       fadst16_avx2(in0, in1);
2567       write_buffer_16x16_avx2(output, in0, in1, 16);
2568       break;
2569     case ADST_ADST:
2570       load_buffer_16x16_avx2(input, in0, in1, stride);
2571       fadst16_avx2(in0, in1);
2572       right_shift_16x16_avx2(in0, in1);
2573       fadst16_avx2(in0, in1);
2574       write_buffer_16x16_avx2(output, in0, in1, 16);
2575       break;
2576     default:
2577       assert(0);
2578       break;
2579   }
2580 }
2581
2582 #define FDCT32x32_2D_AVX2 vp9_fdct32x32_rd_avx2
2583 #define FDCT32x32_HIGH_PRECISION 0
2584 #include "vp9/encoder/x86/vp9_dct32x32_avx2.c"
2585 #undef  FDCT32x32_2D_AVX2
2586 #undef  FDCT32x32_HIGH_PRECISION
2587
2588 #define FDCT32x32_2D_AVX2 vp9_fdct32x32_avx2
2589 #define FDCT32x32_HIGH_PRECISION 1
2590 #include "vp9/encoder/x86/vp9_dct32x32_avx2.c" // NOLINT
2591 #undef  FDCT32x32_2D_AVX2
2592 #undef  FDCT32x32_HIGH_PRECISION