granicus.if.org Git - libvpx/blob - vpx_dsp/arm/idct32x32_add_neon.c

   1 /*
   2  *  Copyright (c) 2014 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 <arm_neon.h>
  12
  13 #include "./vpx_config.h"
  14 #include "./vpx_dsp_rtcd.h"
  15 #include "vpx_dsp/arm/idct_neon.h"
  16 #include "vpx_dsp/arm/transpose_neon.h"
  17 #include "vpx_dsp/txfm_common.h"
  18
  19 static INLINE void load_from_transformed(const int16_t *const trans_buf,
  20                                          const int first, const int second,
  21                                          int16x8_t *const q0,
  22                                          int16x8_t *const q1) {
  23   *q0 = vld1q_s16(trans_buf + first * 8);
  24   *q1 = vld1q_s16(trans_buf + second * 8);
  25 }
  26
  27 static INLINE void load_from_output(const int16_t *const out, const int first,
  28                                     const int second, int16x8_t *const q0,
  29                                     int16x8_t *const q1) {
  30   *q0 = vld1q_s16(out + first * 32);
  31   *q1 = vld1q_s16(out + second * 32);
  32 }
  33
  34 static INLINE void store_in_output(int16_t *const out, const int first,
  35                                    const int second, const int16x8_t q0,
  36                                    const int16x8_t q1) {
  37   vst1q_s16(out + first * 32, q0);
  38   vst1q_s16(out + second * 32, q1);
  39 }
  40
  41 static INLINE void store_combine_results(uint8_t *p1, uint8_t *p2,
  42                                          const int stride, int16x8_t q0,
  43                                          int16x8_t q1, int16x8_t q2,
  44                                          int16x8_t q3) {
  45   uint8x8_t d[4];
  46
  47   d[0] = vld1_u8(p1);
  48   p1 += stride;
  49   d[1] = vld1_u8(p1);
  50   d[3] = vld1_u8(p2);
  51   p2 -= stride;
  52   d[2] = vld1_u8(p2);
  53
  54   q0 = vrshrq_n_s16(q0, 6);
  55   q1 = vrshrq_n_s16(q1, 6);
  56   q2 = vrshrq_n_s16(q2, 6);
  57   q3 = vrshrq_n_s16(q3, 6);
  58
  59   q0 = vreinterpretq_s16_u16(vaddw_u8(vreinterpretq_u16_s16(q0), d[0]));
  60   q1 = vreinterpretq_s16_u16(vaddw_u8(vreinterpretq_u16_s16(q1), d[1]));
  61   q2 = vreinterpretq_s16_u16(vaddw_u8(vreinterpretq_u16_s16(q2), d[2]));
  62   q3 = vreinterpretq_s16_u16(vaddw_u8(vreinterpretq_u16_s16(q3), d[3]));
  63
  64   d[0] = vqmovun_s16(q0);
  65   d[1] = vqmovun_s16(q1);
  66   d[2] = vqmovun_s16(q2);
  67   d[3] = vqmovun_s16(q3);
  68
  69   vst1_u8(p1, d[1]);
  70   p1 -= stride;
  71   vst1_u8(p1, d[0]);
  72   vst1_u8(p2, d[2]);
  73   p2 += stride;
  74   vst1_u8(p2, d[3]);
  75 }
  76
  77 static INLINE void highbd_store_combine_results_bd8(uint16_t *p1, uint16_t *p2,
  78                                                     const int stride,
  79                                                     int16x8_t q0, int16x8_t q1,
  80                                                     int16x8_t q2,
  81                                                     int16x8_t q3) {
  82   uint16x8_t d[4];
  83
  84   d[0] = vld1q_u16(p1);
  85   p1 += stride;
  86   d[1] = vld1q_u16(p1);
  87   d[3] = vld1q_u16(p2);
  88   p2 -= stride;
  89   d[2] = vld1q_u16(p2);
  90
  91   q0 = vrshrq_n_s16(q0, 6);
  92   q1 = vrshrq_n_s16(q1, 6);
  93   q2 = vrshrq_n_s16(q2, 6);
  94   q3 = vrshrq_n_s16(q3, 6);
  95
  96   q0 = vaddq_s16(q0, vreinterpretq_s16_u16(d[0]));
  97   q1 = vaddq_s16(q1, vreinterpretq_s16_u16(d[1]));
  98   q2 = vaddq_s16(q2, vreinterpretq_s16_u16(d[2]));
  99   q3 = vaddq_s16(q3, vreinterpretq_s16_u16(d[3]));
 100
 101   d[0] = vmovl_u8(vqmovun_s16(q0));
 102   d[1] = vmovl_u8(vqmovun_s16(q1));
 103   d[2] = vmovl_u8(vqmovun_s16(q2));
 104   d[3] = vmovl_u8(vqmovun_s16(q3));
 105
 106   vst1q_u16(p1, d[1]);
 107   p1 -= stride;
 108   vst1q_u16(p1, d[0]);
 109   vst1q_u16(p2, d[2]);
 110   p2 += stride;
 111   vst1q_u16(p2, d[3]);
 112 }
 113
 114 static INLINE void do_butterfly(const int16x8_t qIn0, const int16x8_t qIn1,
 115                                 const int16_t first_const,
 116                                 const int16_t second_const,
 117                                 int16x8_t *const qOut0,
 118                                 int16x8_t *const qOut1) {
 119   int32x4_t q[4];
 120   int16x4_t d[6];
 121
 122   d[0] = vget_low_s16(qIn0);
 123   d[1] = vget_high_s16(qIn0);
 124   d[2] = vget_low_s16(qIn1);
 125   d[3] = vget_high_s16(qIn1);
 126
 127   // Note: using v{mul, mla, mls}l_n_s16 here slows down 35% with gcc 4.9.
 128   d[4] = vdup_n_s16(first_const);
 129   d[5] = vdup_n_s16(second_const);
 130
 131   q[0] = vmull_s16(d[0], d[4]);
 132   q[1] = vmull_s16(d[1], d[4]);
 133   q[0] = vmlsl_s16(q[0], d[2], d[5]);
 134   q[1] = vmlsl_s16(q[1], d[3], d[5]);
 135
 136   q[2] = vmull_s16(d[0], d[5]);
 137   q[3] = vmull_s16(d[1], d[5]);
 138   q[2] = vmlal_s16(q[2], d[2], d[4]);
 139   q[3] = vmlal_s16(q[3], d[3], d[4]);
 140
 141   *qOut0 = vcombine_s16(vrshrn_n_s32(q[0], DCT_CONST_BITS),
 142                         vrshrn_n_s32(q[1], DCT_CONST_BITS));
 143   *qOut1 = vcombine_s16(vrshrn_n_s32(q[2], DCT_CONST_BITS),
 144                         vrshrn_n_s32(q[3], DCT_CONST_BITS));
 145 }
 146
 147 static INLINE void load_s16x8q(const int16_t *in, int16x8_t *const s0,
 148                                int16x8_t *const s1, int16x8_t *const s2,
 149                                int16x8_t *const s3, int16x8_t *const s4,
 150                                int16x8_t *const s5, int16x8_t *const s6,
 151                                int16x8_t *const s7) {
 152   *s0 = vld1q_s16(in);
 153   in += 32;
 154   *s1 = vld1q_s16(in);
 155   in += 32;
 156   *s2 = vld1q_s16(in);
 157   in += 32;
 158   *s3 = vld1q_s16(in);
 159   in += 32;
 160   *s4 = vld1q_s16(in);
 161   in += 32;
 162   *s5 = vld1q_s16(in);
 163   in += 32;
 164   *s6 = vld1q_s16(in);
 165   in += 32;
 166   *s7 = vld1q_s16(in);
 167 }
 168
 169 static INLINE void transpose_and_store_s16_8x8(int16x8_t a0, int16x8_t a1,
 170                                                int16x8_t a2, int16x8_t a3,
 171                                                int16x8_t a4, int16x8_t a5,
 172                                                int16x8_t a6, int16x8_t a7,
 173                                                int16_t **out) {
 174   transpose_s16_8x8(&a0, &a1, &a2, &a3, &a4, &a5, &a6, &a7);
 175
 176   vst1q_s16(*out, a0);
 177   *out += 8;
 178   vst1q_s16(*out, a1);
 179   *out += 8;
 180   vst1q_s16(*out, a2);
 181   *out += 8;
 182   vst1q_s16(*out, a3);
 183   *out += 8;
 184   vst1q_s16(*out, a4);
 185   *out += 8;
 186   vst1q_s16(*out, a5);
 187   *out += 8;
 188   vst1q_s16(*out, a6);
 189   *out += 8;
 190   vst1q_s16(*out, a7);
 191   *out += 8;
 192 }
 193
 194 static INLINE void idct32_transpose_pair(const int16_t *input, int16_t *t_buf) {
 195   int i;
 196   int16x8_t s0, s1, s2, s3, s4, s5, s6, s7;
 197
 198   for (i = 0; i < 4; i++, input += 8) {
 199     load_s16x8q(input, &s0, &s1, &s2, &s3, &s4, &s5, &s6, &s7);
 200     transpose_and_store_s16_8x8(s0, s1, s2, s3, s4, s5, s6, s7, &t_buf);
 201   }
 202 }
 203
 204 #if CONFIG_VP9_HIGHBITDEPTH
 205 static INLINE void load_s16x8q_tran_low(
 206     const tran_low_t *in, int16x8_t *const s0, int16x8_t *const s1,
 207     int16x8_t *const s2, int16x8_t *const s3, int16x8_t *const s4,
 208     int16x8_t *const s5, int16x8_t *const s6, int16x8_t *const s7) {
 209   *s0 = load_tran_low_to_s16q(in);
 210   in += 32;
 211   *s1 = load_tran_low_to_s16q(in);
 212   in += 32;
 213   *s2 = load_tran_low_to_s16q(in);
 214   in += 32;
 215   *s3 = load_tran_low_to_s16q(in);
 216   in += 32;
 217   *s4 = load_tran_low_to_s16q(in);
 218   in += 32;
 219   *s5 = load_tran_low_to_s16q(in);
 220   in += 32;
 221   *s6 = load_tran_low_to_s16q(in);
 222   in += 32;
 223   *s7 = load_tran_low_to_s16q(in);
 224 }
 225
 226 static INLINE void idct32_transpose_pair_tran_low(const tran_low_t *input,
 227                                                   int16_t *t_buf) {
 228   int i;
 229   int16x8_t s0, s1, s2, s3, s4, s5, s6, s7;
 230
 231   for (i = 0; i < 4; i++, input += 8) {
 232     load_s16x8q_tran_low(input, &s0, &s1, &s2, &s3, &s4, &s5, &s6, &s7);
 233     transpose_and_store_s16_8x8(s0, s1, s2, s3, s4, s5, s6, s7, &t_buf);
 234   }
 235 }
 236 #else  // !CONFIG_VP9_HIGHBITDEPTH
 237 #define idct32_transpose_pair_tran_low idct32_transpose_pair
 238 #endif  // CONFIG_VP9_HIGHBITDEPTH
 239
 240 static INLINE void idct32_bands_end_1st_pass(int16_t *const out,
 241                                              int16x8_t *const q) {
 242   store_in_output(out, 16, 17, q[6], q[7]);
 243   store_in_output(out, 14, 15, q[8], q[9]);
 244
 245   load_from_output(out, 30, 31, &q[0], &q[1]);
 246   q[4] = vaddq_s16(q[2], q[1]);
 247   q[5] = vaddq_s16(q[3], q[0]);
 248   q[6] = vsubq_s16(q[3], q[0]);
 249   q[7] = vsubq_s16(q[2], q[1]);
 250   store_in_output(out, 30, 31, q[6], q[7]);
 251   store_in_output(out, 0, 1, q[4], q[5]);
 252
 253   load_from_output(out, 12, 13, &q[0], &q[1]);
 254   q[2] = vaddq_s16(q[10], q[1]);
 255   q[3] = vaddq_s16(q[11], q[0]);
 256   q[4] = vsubq_s16(q[11], q[0]);
 257   q[5] = vsubq_s16(q[10], q[1]);
 258
 259   load_from_output(out, 18, 19, &q[0], &q[1]);
 260   q[8] = vaddq_s16(q[4], q[1]);
 261   q[9] = vaddq_s16(q[5], q[0]);
 262   q[6] = vsubq_s16(q[5], q[0]);
 263   q[7] = vsubq_s16(q[4], q[1]);
 264   store_in_output(out, 18, 19, q[6], q[7]);
 265   store_in_output(out, 12, 13, q[8], q[9]);
 266
 267   load_from_output(out, 28, 29, &q[0], &q[1]);
 268   q[4] = vaddq_s16(q[2], q[1]);
 269   q[5] = vaddq_s16(q[3], q[0]);
 270   q[6] = vsubq_s16(q[3], q[0]);
 271   q[7] = vsubq_s16(q[2], q[1]);
 272   store_in_output(out, 28, 29, q[6], q[7]);
 273   store_in_output(out, 2, 3, q[4], q[5]);
 274
 275   load_from_output(out, 10, 11, &q[0], &q[1]);
 276   q[2] = vaddq_s16(q[12], q[1]);
 277   q[3] = vaddq_s16(q[13], q[0]);
 278   q[4] = vsubq_s16(q[13], q[0]);
 279   q[5] = vsubq_s16(q[12], q[1]);
 280
 281   load_from_output(out, 20, 21, &q[0], &q[1]);
 282   q[8] = vaddq_s16(q[4], q[1]);
 283   q[9] = vaddq_s16(q[5], q[0]);
 284   q[6] = vsubq_s16(q[5], q[0]);
 285   q[7] = vsubq_s16(q[4], q[1]);
 286   store_in_output(out, 20, 21, q[6], q[7]);
 287   store_in_output(out, 10, 11, q[8], q[9]);
 288
 289   load_from_output(out, 26, 27, &q[0], &q[1]);
 290   q[4] = vaddq_s16(q[2], q[1]);
 291   q[5] = vaddq_s16(q[3], q[0]);
 292   q[6] = vsubq_s16(q[3], q[0]);
 293   q[7] = vsubq_s16(q[2], q[1]);
 294   store_in_output(out, 26, 27, q[6], q[7]);
 295   store_in_output(out, 4, 5, q[4], q[5]);
 296
 297   load_from_output(out, 8, 9, &q[0], &q[1]);
 298   q[2] = vaddq_s16(q[14], q[1]);
 299   q[3] = vaddq_s16(q[15], q[0]);
 300   q[4] = vsubq_s16(q[15], q[0]);
 301   q[5] = vsubq_s16(q[14], q[1]);
 302
 303   load_from_output(out, 22, 23, &q[0], &q[1]);
 304   q[8] = vaddq_s16(q[4], q[1]);
 305   q[9] = vaddq_s16(q[5], q[0]);
 306   q[6] = vsubq_s16(q[5], q[0]);
 307   q[7] = vsubq_s16(q[4], q[1]);
 308   store_in_output(out, 22, 23, q[6], q[7]);
 309   store_in_output(out, 8, 9, q[8], q[9]);
 310
 311   load_from_output(out, 24, 25, &q[0], &q[1]);
 312   q[4] = vaddq_s16(q[2], q[1]);
 313   q[5] = vaddq_s16(q[3], q[0]);
 314   q[6] = vsubq_s16(q[3], q[0]);
 315   q[7] = vsubq_s16(q[2], q[1]);
 316   store_in_output(out, 24, 25, q[6], q[7]);
 317   store_in_output(out, 6, 7, q[4], q[5]);
 318 }
 319
 320 static INLINE void idct32_bands_end_2nd_pass(const int16_t *const out,
 321                                              uint8_t *const dest,
 322                                              const int stride,
 323                                              int16x8_t *const q) {
 324   uint8_t *dest0 = dest + 0 * stride;
 325   uint8_t *dest1 = dest + 31 * stride;
 326   uint8_t *dest2 = dest + 16 * stride;
 327   uint8_t *dest3 = dest + 15 * stride;
 328   const int str2 = stride << 1;
 329
 330   store_combine_results(dest2, dest3, stride, q[6], q[7], q[8], q[9]);
 331   dest2 += str2;
 332   dest3 -= str2;
 333
 334   load_from_output(out, 30, 31, &q[0], &q[1]);
 335   q[4] = final_add(q[2], q[1]);
 336   q[5] = final_add(q[3], q[0]);
 337   q[6] = final_sub(q[3], q[0]);
 338   q[7] = final_sub(q[2], q[1]);
 339   store_combine_results(dest0, dest1, stride, q[4], q[5], q[6], q[7]);
 340   dest0 += str2;
 341   dest1 -= str2;
 342
 343   load_from_output(out, 12, 13, &q[0], &q[1]);
 344   q[2] = vaddq_s16(q[10], q[1]);
 345   q[3] = vaddq_s16(q[11], q[0]);
 346   q[4] = vsubq_s16(q[11], q[0]);
 347   q[5] = vsubq_s16(q[10], q[1]);
 348
 349   load_from_output(out, 18, 19, &q[0], &q[1]);
 350   q[8] = final_add(q[4], q[1]);
 351   q[9] = final_add(q[5], q[0]);
 352   q[6] = final_sub(q[5], q[0]);
 353   q[7] = final_sub(q[4], q[1]);
 354   store_combine_results(dest2, dest3, stride, q[6], q[7], q[8], q[9]);
 355   dest2 += str2;
 356   dest3 -= str2;
 357
 358   load_from_output(out, 28, 29, &q[0], &q[1]);
 359   q[4] = final_add(q[2], q[1]);
 360   q[5] = final_add(q[3], q[0]);
 361   q[6] = final_sub(q[3], q[0]);
 362   q[7] = final_sub(q[2], q[1]);
 363   store_combine_results(dest0, dest1, stride, q[4], q[5], q[6], q[7]);
 364   dest0 += str2;
 365   dest1 -= str2;
 366
 367   load_from_output(out, 10, 11, &q[0], &q[1]);
 368   q[2] = vaddq_s16(q[12], q[1]);
 369   q[3] = vaddq_s16(q[13], q[0]);
 370   q[4] = vsubq_s16(q[13], q[0]);
 371   q[5] = vsubq_s16(q[12], q[1]);
 372
 373   load_from_output(out, 20, 21, &q[0], &q[1]);
 374   q[8] = final_add(q[4], q[1]);
 375   q[9] = final_add(q[5], q[0]);
 376   q[6] = final_sub(q[5], q[0]);
 377   q[7] = final_sub(q[4], q[1]);
 378   store_combine_results(dest2, dest3, stride, q[6], q[7], q[8], q[9]);
 379   dest2 += str2;
 380   dest3 -= str2;
 381
 382   load_from_output(out, 26, 27, &q[0], &q[1]);
 383   q[4] = final_add(q[2], q[1]);
 384   q[5] = final_add(q[3], q[0]);
 385   q[6] = final_sub(q[3], q[0]);
 386   q[7] = final_sub(q[2], q[1]);
 387   store_combine_results(dest0, dest1, stride, q[4], q[5], q[6], q[7]);
 388   dest0 += str2;
 389   dest1 -= str2;
 390
 391   load_from_output(out, 8, 9, &q[0], &q[1]);
 392   q[2] = vaddq_s16(q[14], q[1]);
 393   q[3] = vaddq_s16(q[15], q[0]);
 394   q[4] = vsubq_s16(q[15], q[0]);
 395   q[5] = vsubq_s16(q[14], q[1]);
 396
 397   load_from_output(out, 22, 23, &q[0], &q[1]);
 398   q[8] = final_add(q[4], q[1]);
 399   q[9] = final_add(q[5], q[0]);
 400   q[6] = final_sub(q[5], q[0]);
 401   q[7] = final_sub(q[4], q[1]);
 402   store_combine_results(dest2, dest3, stride, q[6], q[7], q[8], q[9]);
 403
 404   load_from_output(out, 24, 25, &q[0], &q[1]);
 405   q[4] = final_add(q[2], q[1]);
 406   q[5] = final_add(q[3], q[0]);
 407   q[6] = final_sub(q[3], q[0]);
 408   q[7] = final_sub(q[2], q[1]);
 409   store_combine_results(dest0, dest1, stride, q[4], q[5], q[6], q[7]);
 410 }
 411
 412 static INLINE void highbd_idct32_bands_end_2nd_pass_bd8(
 413     const int16_t *const out, uint16_t *const dest, const int stride,
 414     int16x8_t *const q) {
 415   uint16_t *dest0 = dest + 0 * stride;
 416   uint16_t *dest1 = dest + 31 * stride;
 417   uint16_t *dest2 = dest + 16 * stride;
 418   uint16_t *dest3 = dest + 15 * stride;
 419   const int str2 = stride << 1;
 420
 421   highbd_store_combine_results_bd8(dest2, dest3, stride, q[6], q[7], q[8],
 422                                    q[9]);
 423   dest2 += str2;
 424   dest3 -= str2;
 425
 426   load_from_output(out, 30, 31, &q[0], &q[1]);
 427   q[4] = final_add(q[2], q[1]);
 428   q[5] = final_add(q[3], q[0]);
 429   q[6] = final_sub(q[3], q[0]);
 430   q[7] = final_sub(q[2], q[1]);
 431   highbd_store_combine_results_bd8(dest0, dest1, stride, q[4], q[5], q[6],
 432                                    q[7]);
 433   dest0 += str2;
 434   dest1 -= str2;
 435
 436   load_from_output(out, 12, 13, &q[0], &q[1]);
 437   q[2] = vaddq_s16(q[10], q[1]);
 438   q[3] = vaddq_s16(q[11], q[0]);
 439   q[4] = vsubq_s16(q[11], q[0]);
 440   q[5] = vsubq_s16(q[10], q[1]);
 441
 442   load_from_output(out, 18, 19, &q[0], &q[1]);
 443   q[8] = final_add(q[4], q[1]);
 444   q[9] = final_add(q[5], q[0]);
 445   q[6] = final_sub(q[5], q[0]);
 446   q[7] = final_sub(q[4], q[1]);
 447   highbd_store_combine_results_bd8(dest2, dest3, stride, q[6], q[7], q[8],
 448                                    q[9]);
 449   dest2 += str2;
 450   dest3 -= str2;
 451
 452   load_from_output(out, 28, 29, &q[0], &q[1]);
 453   q[4] = final_add(q[2], q[1]);
 454   q[5] = final_add(q[3], q[0]);
 455   q[6] = final_sub(q[3], q[0]);
 456   q[7] = final_sub(q[2], q[1]);
 457   highbd_store_combine_results_bd8(dest0, dest1, stride, q[4], q[5], q[6],
 458                                    q[7]);
 459   dest0 += str2;
 460   dest1 -= str2;
 461
 462   load_from_output(out, 10, 11, &q[0], &q[1]);
 463   q[2] = vaddq_s16(q[12], q[1]);
 464   q[3] = vaddq_s16(q[13], q[0]);
 465   q[4] = vsubq_s16(q[13], q[0]);
 466   q[5] = vsubq_s16(q[12], q[1]);
 467
 468   load_from_output(out, 20, 21, &q[0], &q[1]);
 469   q[8] = final_add(q[4], q[1]);
 470   q[9] = final_add(q[5], q[0]);
 471   q[6] = final_sub(q[5], q[0]);
 472   q[7] = final_sub(q[4], q[1]);
 473   highbd_store_combine_results_bd8(dest2, dest3, stride, q[6], q[7], q[8],
 474                                    q[9]);
 475   dest2 += str2;
 476   dest3 -= str2;
 477
 478   load_from_output(out, 26, 27, &q[0], &q[1]);
 479   q[4] = final_add(q[2], q[1]);
 480   q[5] = final_add(q[3], q[0]);
 481   q[6] = final_sub(q[3], q[0]);
 482   q[7] = final_sub(q[2], q[1]);
 483   highbd_store_combine_results_bd8(dest0, dest1, stride, q[4], q[5], q[6],
 484                                    q[7]);
 485   dest0 += str2;
 486   dest1 -= str2;
 487
 488   load_from_output(out, 8, 9, &q[0], &q[1]);
 489   q[2] = vaddq_s16(q[14], q[1]);
 490   q[3] = vaddq_s16(q[15], q[0]);
 491   q[4] = vsubq_s16(q[15], q[0]);
 492   q[5] = vsubq_s16(q[14], q[1]);
 493
 494   load_from_output(out, 22, 23, &q[0], &q[1]);
 495   q[8] = final_add(q[4], q[1]);
 496   q[9] = final_add(q[5], q[0]);
 497   q[6] = final_sub(q[5], q[0]);
 498   q[7] = final_sub(q[4], q[1]);
 499   highbd_store_combine_results_bd8(dest2, dest3, stride, q[6], q[7], q[8],
 500                                    q[9]);
 501
 502   load_from_output(out, 24, 25, &q[0], &q[1]);
 503   q[4] = final_add(q[2], q[1]);
 504   q[5] = final_add(q[3], q[0]);
 505   q[6] = final_sub(q[3], q[0]);
 506   q[7] = final_sub(q[2], q[1]);
 507   highbd_store_combine_results_bd8(dest0, dest1, stride, q[4], q[5], q[6],
 508                                    q[7]);
 509 }
 510
 511 void vpx_idct32_32_neon(const tran_low_t *input, uint8_t *dest,
 512                         const int stride, const int highbd_flag) {
 513   int i, idct32_pass_loop;
 514   int16_t trans_buf[32 * 8];
 515   int16_t pass1[32 * 32];
 516   int16_t pass2[32 * 32];
 517   const int16_t *input_pass2 = pass1;  // input of pass2 is the result of pass1
 518   int16_t *out;
 519   int16x8_t q[16];
 520   uint16_t *dst = CAST_TO_SHORTPTR(dest);
 521
 522   for (idct32_pass_loop = 0, out = pass1; idct32_pass_loop < 2;
 523        idct32_pass_loop++, out = pass2) {
 524     for (i = 0; i < 4; i++, out += 8) {  // idct32_bands_loop
 525       if (idct32_pass_loop == 0) {
 526         idct32_transpose_pair_tran_low(input, trans_buf);
 527         input += 32 * 8;
 528       } else {
 529         idct32_transpose_pair(input_pass2, trans_buf);
 530         input_pass2 += 32 * 8;
 531       }
 532
 533       // -----------------------------------------
 534       // BLOCK A: 16-19,28-31
 535       // -----------------------------------------
 536       // generate 16,17,30,31
 537       // part of stage 1
 538       load_from_transformed(trans_buf, 1, 31, &q[14], &q[13]);
 539       do_butterfly(q[14], q[13], cospi_31_64, cospi_1_64, &q[0], &q[2]);
 540       load_from_transformed(trans_buf, 17, 15, &q[14], &q[13]);
 541       do_butterfly(q[14], q[13], cospi_15_64, cospi_17_64, &q[1], &q[3]);
 542       // part of stage 2
 543       q[4] = vaddq_s16(q[0], q[1]);
 544       q[13] = vsubq_s16(q[0], q[1]);
 545       q[6] = vaddq_s16(q[2], q[3]);
 546       q[14] = vsubq_s16(q[2], q[3]);
 547       // part of stage 3
 548       do_butterfly(q[14], q[13], cospi_28_64, cospi_4_64, &q[5], &q[7]);
 549
 550       // generate 18,19,28,29
 551       // part of stage 1
 552       load_from_transformed(trans_buf, 9, 23, &q[14], &q[13]);
 553       do_butterfly(q[14], q[13], cospi_23_64, cospi_9_64, &q[0], &q[2]);
 554       load_from_transformed(trans_buf, 25, 7, &q[14], &q[13]);
 555       do_butterfly(q[14], q[13], cospi_7_64, cospi_25_64, &q[1], &q[3]);
 556       // part of stage 2
 557       q[13] = vsubq_s16(q[3], q[2]);
 558       q[3] = vaddq_s16(q[3], q[2]);
 559       q[14] = vsubq_s16(q[1], q[0]);
 560       q[2] = vaddq_s16(q[1], q[0]);
 561       // part of stage 3
 562       do_butterfly(q[14], q[13], -cospi_4_64, -cospi_28_64, &q[1], &q[0]);
 563       // part of stage 4
 564       q[8] = vaddq_s16(q[4], q[2]);
 565       q[9] = vaddq_s16(q[5], q[0]);
 566       q[10] = vaddq_s16(q[7], q[1]);
 567       q[15] = vaddq_s16(q[6], q[3]);
 568       q[13] = vsubq_s16(q[5], q[0]);
 569       q[14] = vsubq_s16(q[7], q[1]);
 570       store_in_output(out, 16, 31, q[8], q[15]);
 571       store_in_output(out, 17, 30, q[9], q[10]);
 572       // part of stage 5
 573       do_butterfly(q[14], q[13], cospi_24_64, cospi_8_64, &q[0], &q[1]);
 574       store_in_output(out, 29, 18, q[1], q[0]);
 575       // part of stage 4
 576       q[13] = vsubq_s16(q[4], q[2]);
 577       q[14] = vsubq_s16(q[6], q[3]);
 578       // part of stage 5
 579       do_butterfly(q[14], q[13], cospi_24_64, cospi_8_64, &q[4], &q[6]);
 580       store_in_output(out, 19, 28, q[4], q[6]);
 581
 582       // -----------------------------------------
 583       // BLOCK B: 20-23,24-27
 584       // -----------------------------------------
 585       // generate 20,21,26,27
 586       // part of stage 1
 587       load_from_transformed(trans_buf, 5, 27, &q[14], &q[13]);
 588       do_butterfly(q[14], q[13], cospi_27_64, cospi_5_64, &q[0], &q[2]);
 589       load_from_transformed(trans_buf, 21, 11, &q[14], &q[13]);
 590       do_butterfly(q[14], q[13], cospi_11_64, cospi_21_64, &q[1], &q[3]);
 591       // part of stage 2
 592       q[13] = vsubq_s16(q[0], q[1]);
 593       q[0] = vaddq_s16(q[0], q[1]);
 594       q[14] = vsubq_s16(q[2], q[3]);
 595       q[2] = vaddq_s16(q[2], q[3]);
 596       // part of stage 3
 597       do_butterfly(q[14], q[13], cospi_12_64, cospi_20_64, &q[1], &q[3]);
 598
 599       // generate 22,23,24,25
 600       // part of stage 1
 601       load_from_transformed(trans_buf, 13, 19, &q[14], &q[13]);
 602       do_butterfly(q[14], q[13], cospi_19_64, cospi_13_64, &q[5], &q[7]);
 603       load_from_transformed(trans_buf, 29, 3, &q[14], &q[13]);
 604       do_butterfly(q[14], q[13], cospi_3_64, cospi_29_64, &q[4], &q[6]);
 605       // part of stage 2
 606       q[14] = vsubq_s16(q[4], q[5]);
 607       q[5] = vaddq_s16(q[4], q[5]);
 608       q[13] = vsubq_s16(q[6], q[7]);
 609       q[6] = vaddq_s16(q[6], q[7]);
 610       // part of stage 3
 611       do_butterfly(q[14], q[13], -cospi_20_64, -cospi_12_64, &q[4], &q[7]);
 612       // part of stage 4
 613       q[10] = vaddq_s16(q[7], q[1]);
 614       q[11] = vaddq_s16(q[5], q[0]);
 615       q[12] = vaddq_s16(q[6], q[2]);
 616       q[15] = vaddq_s16(q[4], q[3]);
 617       // part of stage 6
 618       load_from_output(out, 16, 17, &q[14], &q[13]);
 619       q[8] = vaddq_s16(q[14], q[11]);
 620       q[9] = vaddq_s16(q[13], q[10]);
 621       q[13] = vsubq_s16(q[13], q[10]);
 622       q[11] = vsubq_s16(q[14], q[11]);
 623       store_in_output(out, 17, 16, q[9], q[8]);
 624       load_from_output(out, 30, 31, &q[14], &q[9]);
 625       q[8] = vsubq_s16(q[9], q[12]);
 626       q[10] = vaddq_s16(q[14], q[15]);
 627       q[14] = vsubq_s16(q[14], q[15]);
 628       q[12] = vaddq_s16(q[9], q[12]);
 629       store_in_output(out, 30, 31, q[10], q[12]);
 630       // part of stage 7
 631       do_butterfly(q[14], q[13], cospi_16_64, cospi_16_64, &q[13], &q[14]);
 632       store_in_output(out, 25, 22, q[14], q[13]);
 633       do_butterfly(q[8], q[11], cospi_16_64, cospi_16_64, &q[13], &q[14]);
 634       store_in_output(out, 24, 23, q[14], q[13]);
 635       // part of stage 4
 636       q[14] = vsubq_s16(q[5], q[0]);
 637       q[13] = vsubq_s16(q[6], q[2]);
 638       do_butterfly(q[14], q[13], -cospi_8_64, -cospi_24_64, &q[5], &q[6]);
 639       q[14] = vsubq_s16(q[7], q[1]);
 640       q[13] = vsubq_s16(q[4], q[3]);
 641       do_butterfly(q[14], q[13], -cospi_8_64, -cospi_24_64, &q[0], &q[1]);
 642       // part of stage 6
 643       load_from_output(out, 18, 19, &q[14], &q[13]);
 644       q[8] = vaddq_s16(q[14], q[1]);
 645       q[9] = vaddq_s16(q[13], q[6]);
 646       q[13] = vsubq_s16(q[13], q[6]);
 647       q[1] = vsubq_s16(q[14], q[1]);
 648       store_in_output(out, 18, 19, q[8], q[9]);
 649       load_from_output(out, 28, 29, &q[8], &q[9]);
 650       q[14] = vsubq_s16(q[8], q[5]);
 651       q[10] = vaddq_s16(q[8], q[5]);
 652       q[11] = vaddq_s16(q[9], q[0]);
 653       q[0] = vsubq_s16(q[9], q[0]);
 654       store_in_output(out, 28, 29, q[10], q[11]);
 655       // part of stage 7
 656       do_butterfly(q[14], q[13], cospi_16_64, cospi_16_64, &q[13], &q[14]);
 657       store_in_output(out, 20, 27, q[13], q[14]);
 658       do_butterfly(q[0], q[1], cospi_16_64, cospi_16_64, &q[1], &q[0]);
 659       store_in_output(out, 21, 26, q[1], q[0]);
 660
 661       // -----------------------------------------
 662       // BLOCK C: 8-10,11-15
 663       // -----------------------------------------
 664       // generate 8,9,14,15
 665       // part of stage 2
 666       load_from_transformed(trans_buf, 2, 30, &q[14], &q[13]);
 667       do_butterfly(q[14], q[13], cospi_30_64, cospi_2_64, &q[0], &q[2]);
 668       load_from_transformed(trans_buf, 18, 14, &q[14], &q[13]);
 669       do_butterfly(q[14], q[13], cospi_14_64, cospi_18_64, &q[1], &q[3]);
 670       // part of stage 3
 671       q[13] = vsubq_s16(q[0], q[1]);
 672       q[0] = vaddq_s16(q[0], q[1]);
 673       q[14] = vsubq_s16(q[2], q[3]);
 674       q[2] = vaddq_s16(q[2], q[3]);
 675       // part of stage 4
 676       do_butterfly(q[14], q[13], cospi_24_64, cospi_8_64, &q[1], &q[3]);
 677
 678       // generate 10,11,12,13
 679       // part of stage 2
 680       load_from_transformed(trans_buf, 10, 22, &q[14], &q[13]);
 681       do_butterfly(q[14], q[13], cospi_22_64, cospi_10_64, &q[5], &q[7]);
 682       load_from_transformed(trans_buf, 26, 6, &q[14], &q[13]);
 683       do_butterfly(q[14], q[13], cospi_6_64, cospi_26_64, &q[4], &q[6]);
 684       // part of stage 3
 685       q[14] = vsubq_s16(q[4], q[5]);
 686       q[5] = vaddq_s16(q[4], q[5]);
 687       q[13] = vsubq_s16(q[6], q[7]);
 688       q[6] = vaddq_s16(q[6], q[7]);
 689       // part of stage 4
 690       do_butterfly(q[14], q[13], -cospi_8_64, -cospi_24_64, &q[4], &q[7]);
 691       // part of stage 5
 692       q[8] = vaddq_s16(q[0], q[5]);
 693       q[9] = vaddq_s16(q[1], q[7]);
 694       q[13] = vsubq_s16(q[1], q[7]);
 695       q[14] = vsubq_s16(q[3], q[4]);
 696       q[10] = vaddq_s16(q[3], q[4]);
 697       q[15] = vaddq_s16(q[2], q[6]);
 698       store_in_output(out, 8, 15, q[8], q[15]);
 699       store_in_output(out, 9, 14, q[9], q[10]);
 700       // part of stage 6
 701       do_butterfly(q[14], q[13], cospi_16_64, cospi_16_64, &q[1], &q[3]);
 702       store_in_output(out, 13, 10, q[3], q[1]);
 703       q[13] = vsubq_s16(q[0], q[5]);
 704       q[14] = vsubq_s16(q[2], q[6]);
 705       do_butterfly(q[14], q[13], cospi_16_64, cospi_16_64, &q[1], &q[3]);
 706       store_in_output(out, 11, 12, q[1], q[3]);
 707
 708       // -----------------------------------------
 709       // BLOCK D: 0-3,4-7
 710       // -----------------------------------------
 711       // generate 4,5,6,7
 712       // part of stage 3
 713       load_from_transformed(trans_buf, 4, 28, &q[14], &q[13]);
 714       do_butterfly(q[14], q[13], cospi_28_64, cospi_4_64, &q[0], &q[2]);
 715       load_from_transformed(trans_buf, 20, 12, &q[14], &q[13]);
 716       do_butterfly(q[14], q[13], cospi_12_64, cospi_20_64, &q[1], &q[3]);
 717       // part of stage 4
 718       q[13] = vsubq_s16(q[0], q[1]);
 719       q[0] = vaddq_s16(q[0], q[1]);
 720       q[14] = vsubq_s16(q[2], q[3]);
 721       q[2] = vaddq_s16(q[2], q[3]);
 722       // part of stage 5
 723       do_butterfly(q[14], q[13], cospi_16_64, cospi_16_64, &q[1], &q[3]);
 724
 725       // generate 0,1,2,3
 726       // part of stage 4
 727       load_from_transformed(trans_buf, 0, 16, &q[14], &q[13]);
 728       do_butterfly(q[14], q[13], cospi_16_64, cospi_16_64, &q[5], &q[7]);
 729       load_from_transformed(trans_buf, 8, 24, &q[14], &q[13]);
 730       do_butterfly(q[14], q[13], cospi_24_64, cospi_8_64, &q[14], &q[6]);
 731       // part of stage 5
 732       q[4] = vaddq_s16(q[7], q[6]);
 733       q[7] = vsubq_s16(q[7], q[6]);
 734       q[6] = vsubq_s16(q[5], q[14]);
 735       q[5] = vaddq_s16(q[5], q[14]);
 736       // part of stage 6
 737       q[8] = vaddq_s16(q[4], q[2]);
 738       q[9] = vaddq_s16(q[5], q[3]);
 739       q[10] = vaddq_s16(q[6], q[1]);
 740       q[11] = vaddq_s16(q[7], q[0]);
 741       q[12] = vsubq_s16(q[7], q[0]);
 742       q[13] = vsubq_s16(q[6], q[1]);
 743       q[14] = vsubq_s16(q[5], q[3]);
 744       q[15] = vsubq_s16(q[4], q[2]);
 745       // part of stage 7
 746       load_from_output(out, 14, 15, &q[0], &q[1]);
 747       q[2] = vaddq_s16(q[8], q[1]);
 748       q[3] = vaddq_s16(q[9], q[0]);
 749       q[4] = vsubq_s16(q[9], q[0]);
 750       q[5] = vsubq_s16(q[8], q[1]);
 751       load_from_output(out, 16, 17, &q[0], &q[1]);
 752       q[8] = final_add(q[4], q[1]);
 753       q[9] = final_add(q[5], q[0]);
 754       q[6] = final_sub(q[5], q[0]);
 755       q[7] = final_sub(q[4], q[1]);
 756
 757       if (idct32_pass_loop == 0) {
 758         idct32_bands_end_1st_pass(out, q);
 759       } else {
 760         if (highbd_flag) {
 761           highbd_idct32_bands_end_2nd_pass_bd8(out, dst, stride, q);
 762           dst += 8;
 763         } else {
 764           idct32_bands_end_2nd_pass(out, dest, stride, q);
 765           dest += 8;
 766         }
 767       }
 768     }
 769   }
 770 }
 771
 772 void vpx_idct32x32_1024_add_neon(const tran_low_t *input, uint8_t *dest,
 773                                  int stride) {
 774   vpx_idct32_32_neon(input, dest, stride, 0);
 775 }