]> granicus.if.org Git - libjpeg-turbo/commitdiff
Add SSE2 SIMD implementation of computationally intensive routines.
authorPierre Ossman <ossman@cendio.se>
Mon, 9 Mar 2009 13:34:17 +0000 (13:34 +0000)
committerPierre Ossman <ossman@cendio.se>
Mon, 9 Mar 2009 13:34:17 +0000 (13:34 +0000)
git-svn-id: svn+ssh://svn.code.sf.net/p/libjpeg-turbo/code/trunk@22 632fc199-4ca6-4c93-a231-07263d6284db

20 files changed:
1  2 
Makefile.am
jsimd.c
simd/jccolss2.asm
simd/jcolsamp.inc
simd/jcqnts2f.asm
simd/jcqnts2i.asm
simd/jcsamss2.asm
simd/jdcolss2.asm
simd/jdmerss2.asm
simd/jdsamss2.asm
simd/jfss2fst.asm
simd/jfss2int.asm
simd/jiss2flt.asm
simd/jiss2fst.asm
simd/jiss2int.asm
simd/jiss2red.asm
simd/jsimd.h
simd/jsimdcfg.inc.h
simd/jsimdcpu.asm
simd/jsimdext.inc

diff --cc Makefile.am
index 655e2074c48257bf46ace33bc137023961d6f13f,0000000000000000000000000000000000000000..7f67542ec2072c13031855cdc435dca5f929868e
mode 100644,000000..100644
--- /dev/null
@@@ -1,39 -1,0 +1,44 @@@
-       simd/jcqntsse.asm simd/jfsseflt.asm simd/jisseflt.asm
 +noinst_LTLIBRARIES = libjpeg.la
 +
 +HDRS = jchuff.h jdct.h jdhuff.h jerror.h jinclude.h jmemsys.h jmorecfg.h \
 +      jpegint.h jpeglib.h jversion.h jsimd.h jsimddct.h
 +
 +libjpeg_la_SOURCES = $(HDRS) jcapimin.c jcapistd.c jccoefct.c jccolor.c \
 +      jcdctmgr.c jchuff.c jcinit.c jcmainct.c jcmarker.c jcmaster.c \
 +      jcomapi.c jcparam.c jcphuff.c jcprepct.c jcsample.c jctrans.c \
 +      jdapimin.c jdapistd.c jdatadst.c jdatasrc.c jdcoefct.c jdcolor.c \
 +      jddctmgr.c jdhuff.c jdinput.c jdmainct.c jdmarker.c jdmaster.c \
 +      jdmerge.c jdphuff.c jdpostct.c jdsample.c jdtrans.c jerror.c \
 +      jfdctflt.c jfdctfst.c jfdctint.c jidctflt.c jidctfst.c jidctint.c \
 +      jidctred.c jquant1.c jquant2.c jutils.c jmemmgr.c jmemnobs.c \
 +      jsimd.c
 +
 +if WITH_SIMD
 +
 +BUILT_SOURCES = simd/jsimdcfg.inc
 +
 +EXTRA_DIST = nasm_lt.sh
 +
 +libjpeg_la_SOURCES += simd/jsimd.h simd/jsimdcfg.inc.h \
 +      simd/jsimdext.inc simd/jcolsamp.inc simd/jdct.inc \
 +      simd/jsimdcpu.asm \
 +      simd/jccolmmx.asm simd/jdcolmmx.asm \
 +      simd/jcsammmx.asm simd/jdsammmx.asm simd/jdmermmx.asm \
 +      simd/jcqntmmx.asm simd/jfmmxfst.asm simd/jfmmxint.asm \
 +      simd/jimmxred.asm simd/jimmxint.asm simd/jimmxfst.asm \
 +      simd/jcqnt3dn.asm simd/jf3dnflt.asm simd/ji3dnflt.asm \
++      simd/jcqntsse.asm simd/jfsseflt.asm simd/jisseflt.asm \
++      simd/jccolss2.asm simd/jdcolss2.asm \
++      simd/jcsamss2.asm simd/jdsamss2.asm simd/jdmerss2.asm \
++      simd/jcqnts2i.asm simd/jfss2fst.asm simd/jfss2int.asm \
++      simd/jiss2red.asm simd/jiss2int.asm simd/jiss2fst.asm \
++      simd/jcqnts2f.asm simd/jiss2flt.asm
 +
 +endif
 +
 +.asm.lo:
 +      $(LIBTOOL) --mode=compile --tag NASM ./nasm_lt.sh $(NASM) $(NAFLAGS) $< -o $@
 +
 +simd/jsimdcfg.inc: simd/jsimdcfg.inc.h jpeglib.h jconfig.h jmorecfg.h
 +      $(CPP) $< | grep ^[\;%] | sed 's%_cpp_protection_%%' > $@
 +
diff --cc jsimd.c
index 6c60b5b07632ce3bd9585a8a70ee8f656e0a56e1,0000000000000000000000000000000000000000..32489116021fe9dd51b077d62eb7390c8278dc20
mode 100644,000000..100644
--- /dev/null
+++ b/jsimd.c
@@@ -1,741 -1,0 +1,850 @@@
-   if (simd_support & JSIMD_MMX)
 +/*
 + * jsimd.c
 + *
 + * Copyright 2009 Pierre Ossman <ossman@cendio.se> for Cendio AB
 + * 
 + * Based on the x86 SIMD extension for IJG JPEG library,
 + * Copyright (C) 1999-2006, MIYASAKA Masaru.
 + *
 + * This file contains the interface between the "normal" portions
 + * of the library and the SIMD implementations.
 + */
 +
 +#define JPEG_INTERNALS
 +#include "jinclude.h"
 +#include "jpeglib.h"
 +#include "jsimd.h"
 +#include "jdct.h"
 +#include "jsimddct.h"
 +#include "simd/jsimd.h"
 +
 +/*
 + * In the PIC cases, we have no guarantee that constants will keep
 + * their alignment. This macro allows us to verify it at runtime.
 + */
 +#ifdef WITH_SIMD
 +#define IS_ALIGNED(ptr, order) (((unsigned)ptr & ((1 << order) - 1)) == 0)
 +#else
 +#define IS_ALIGNED(ptr, order) (0)
 +#endif
 +
 +#define IS_ALIGNED_SSE(ptr) (IS_ALIGNED(ptr, 4)) /* 16 byte alignment */
 +
 +static unsigned int simd_support = ~0;
 +
 +/*
 + * Check what SIMD accelerations are supported.
 + *
 + * FIXME: This code is racy under a multi-threaded environment.
 + */
 +LOCAL(void)
 +init_simd (void)
 +{
 +  if (simd_support != ~0)
 +    return;
 +
 +#ifdef WITH_SIMD
 +  simd_support = jpeg_simd_cpu_support();
 +#else
 +  simd_support = JSIMD_NONE;
 +#endif
 +}
 +
 +GLOBAL(int)
 +jsimd_can_rgb_ycc (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (BITS_IN_JSAMPLE != 8)
 +    return 0;
 +  if (sizeof(JDIMENSION) != 4)
 +    return 0;
 +  if ((RGB_PIXELSIZE != 3) && (RGB_PIXELSIZE != 4))
 +    return 0;
 +
++  if ((simd_support & JSIMD_SSE2) &&
++      IS_ALIGNED_SSE(jconst_rgb_ycc_convert_sse2))
++    return 1;
 +  if (simd_support & JSIMD_MMX)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(int)
 +jsimd_can_ycc_rgb (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (BITS_IN_JSAMPLE != 8)
 +    return 0;
 +  if (sizeof(JDIMENSION) != 4)
 +    return 0;
 +  if ((RGB_PIXELSIZE != 3) && (RGB_PIXELSIZE != 4))
 +    return 0;
 +
++  if ((simd_support & JSIMD_SSE2) &&
++      IS_ALIGNED_SSE(jconst_ycc_rgb_convert_sse2))
++    return 1;
 +  if (simd_support & JSIMD_MMX)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(void)
 +jsimd_rgb_ycc_convert (j_compress_ptr cinfo,
 +                       JSAMPARRAY input_buf, JSAMPIMAGE output_buf,
 +                       JDIMENSION output_row, int num_rows)
 +{
 +#ifdef WITH_SIMD
-   if (simd_support & JSIMD_MMX)
++  if ((simd_support & JSIMD_SSE2) &&
++      IS_ALIGNED_SSE(jconst_rgb_ycc_convert_sse2))
++    jsimd_rgb_ycc_convert_sse2(cinfo->image_width, input_buf,
++        output_buf, output_row, num_rows);
++  else if (simd_support & JSIMD_MMX)
 +    jsimd_rgb_ycc_convert_mmx(cinfo->image_width, input_buf,
 +        output_buf, output_row, num_rows);
 +#endif
 +}
 +
 +GLOBAL(void)
 +jsimd_ycc_rgb_convert (j_decompress_ptr cinfo,
 +                       JSAMPIMAGE input_buf, JDIMENSION input_row,
 +                       JSAMPARRAY output_buf, int num_rows)
 +{
 +#ifdef WITH_SIMD
-   if (simd_support & JSIMD_MMX)
++  if ((simd_support & JSIMD_SSE2) &&
++      IS_ALIGNED_SSE(jconst_ycc_rgb_convert_sse2))
++    jsimd_ycc_rgb_convert_sse2(cinfo->output_width, input_buf,
++        input_row, output_buf, num_rows);
++  else if (simd_support & JSIMD_MMX)
 +    jsimd_ycc_rgb_convert_mmx(cinfo->output_width, input_buf,
 +        input_row, output_buf, num_rows);
 +#endif
 +}
 +
 +GLOBAL(int)
 +jsimd_can_h2v2_downsample (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (BITS_IN_JSAMPLE != 8)
 +    return 0;
 +  if (sizeof(JDIMENSION) != 4)
 +    return 0;
 +
++  if (simd_support & JSIMD_SSE2)
++    return 1;
 +  if (simd_support & JSIMD_MMX)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(int)
 +jsimd_can_h2v1_downsample (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (BITS_IN_JSAMPLE != 8)
 +    return 0;
 +  if (sizeof(JDIMENSION) != 4)
 +    return 0;
 +
++  if (simd_support & JSIMD_SSE2)
++    return 1;
 +  if (simd_support & JSIMD_MMX)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(void)
 +jsimd_h2v2_downsample (j_compress_ptr cinfo, jpeg_component_info * compptr,
 +                       JSAMPARRAY input_data, JSAMPARRAY output_data)
 +{
 +#ifdef WITH_SIMD
-   if (simd_support & JSIMD_MMX)
++  if (simd_support & JSIMD_SSE2)
++    jsimd_h2v2_downsample_sse2(cinfo->image_width, cinfo->max_v_samp_factor,
++        compptr->v_samp_factor, compptr->width_in_blocks,
++        input_data, output_data);
++  else if (simd_support & JSIMD_MMX)
 +    jsimd_h2v2_downsample_mmx(cinfo->image_width, cinfo->max_v_samp_factor,
 +        compptr->v_samp_factor, compptr->width_in_blocks,
 +        input_data, output_data);
 +#endif
 +}
 +
 +GLOBAL(void)
 +jsimd_h2v1_downsample (j_compress_ptr cinfo, jpeg_component_info * compptr,
 +                       JSAMPARRAY input_data, JSAMPARRAY output_data)
 +{
 +#ifdef WITH_SIMD
-   if (simd_support & JSIMD_MMX)
++  if (simd_support & JSIMD_SSE2)
++    jsimd_h2v1_downsample_sse2(cinfo->image_width, cinfo->max_v_samp_factor,
++        compptr->v_samp_factor, compptr->width_in_blocks,
++        input_data, output_data);
++  else if (simd_support & JSIMD_MMX)
 +    jsimd_h2v1_downsample_mmx(cinfo->image_width, cinfo->max_v_samp_factor,
 +        compptr->v_samp_factor, compptr->width_in_blocks,
 +        input_data, output_data);
 +#endif
 +}
 +
 +GLOBAL(int)
 +jsimd_can_h2v2_upsample (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (BITS_IN_JSAMPLE != 8)
 +    return 0;
 +  if (sizeof(JDIMENSION) != 4)
 +    return 0;
 +
++  if (simd_support & JSIMD_SSE2)
++    return 1;
 +  if (simd_support & JSIMD_MMX)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(int)
 +jsimd_can_h2v1_upsample (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (BITS_IN_JSAMPLE != 8)
 +    return 0;
 +  if (sizeof(JDIMENSION) != 4)
 +    return 0;
 +
++  if (simd_support & JSIMD_SSE2)
++    return 1;
 +  if (simd_support & JSIMD_MMX)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(void)
 +jsimd_h2v2_upsample (j_decompress_ptr cinfo,
 +                     jpeg_component_info * compptr, 
 +                     JSAMPARRAY input_data,
 +                     JSAMPARRAY * output_data_ptr)
 +{
 +#ifdef WITH_SIMD
-   if (simd_support & JSIMD_MMX)
++  if (simd_support & JSIMD_SSE2)
++    jsimd_h2v2_upsample_sse2(cinfo->max_v_samp_factor,
++        cinfo->output_width, input_data, output_data_ptr);
++  else if (simd_support & JSIMD_MMX)
 +    jsimd_h2v2_upsample_mmx(cinfo->max_v_samp_factor,
 +        cinfo->output_width, input_data, output_data_ptr);
 +#endif
 +}
 +
 +GLOBAL(void)
 +jsimd_h2v1_upsample (j_decompress_ptr cinfo,
 +                     jpeg_component_info * compptr, 
 +                     JSAMPARRAY input_data,
 +                     JSAMPARRAY * output_data_ptr)
 +{
 +#ifdef WITH_SIMD
-   if (simd_support & JSIMD_MMX)
++  if (simd_support & JSIMD_SSE2)
++    jsimd_h2v1_upsample_sse2(cinfo->max_v_samp_factor,
++        cinfo->output_width, input_data, output_data_ptr);
++  else if (simd_support & JSIMD_MMX)
 +    jsimd_h2v1_upsample_mmx(cinfo->max_v_samp_factor,
 +        cinfo->output_width, input_data, output_data_ptr);
 +#endif
 +}
 +
 +GLOBAL(int)
 +jsimd_can_h2v2_fancy_upsample (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (BITS_IN_JSAMPLE != 8)
 +    return 0;
 +  if (sizeof(JDIMENSION) != 4)
 +    return 0;
 +
++  if ((simd_support & JSIMD_SSE2) &&
++      IS_ALIGNED_SSE(jconst_fancy_upsample_sse2))
++    return 1;
 +  if (simd_support & JSIMD_MMX)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(int)
 +jsimd_can_h2v1_fancy_upsample (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (BITS_IN_JSAMPLE != 8)
 +    return 0;
 +  if (sizeof(JDIMENSION) != 4)
 +    return 0;
 +
++  if ((simd_support & JSIMD_SSE2) &&
++      IS_ALIGNED_SSE(jconst_fancy_upsample_sse2))
++    return 1;
 +  if (simd_support & JSIMD_MMX)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(void)
 +jsimd_h2v2_fancy_upsample (j_decompress_ptr cinfo,
 +                           jpeg_component_info * compptr, 
 +                           JSAMPARRAY input_data,
 +                           JSAMPARRAY * output_data_ptr)
 +{
 +#ifdef WITH_SIMD
-   if (simd_support & JSIMD_MMX)
++  if ((simd_support & JSIMD_SSE2) &&
++      IS_ALIGNED_SSE(jconst_fancy_upsample_sse2))
++    jsimd_h2v1_fancy_upsample_sse2(cinfo->max_v_samp_factor,
++        compptr->downsampled_width, input_data, output_data_ptr);
++  else if (simd_support & JSIMD_MMX)
 +    jsimd_h2v2_fancy_upsample_mmx(cinfo->max_v_samp_factor,
 +        compptr->downsampled_width, input_data, output_data_ptr);
 +#endif
 +}
 +
 +GLOBAL(void)
 +jsimd_h2v1_fancy_upsample (j_decompress_ptr cinfo,
 +                           jpeg_component_info * compptr, 
 +                           JSAMPARRAY input_data,
 +                           JSAMPARRAY * output_data_ptr)
 +{
 +#ifdef WITH_SIMD
-   if (simd_support & JSIMD_MMX)
++  if ((simd_support & JSIMD_SSE2) &&
++      IS_ALIGNED_SSE(jconst_fancy_upsample_sse2))
++    jsimd_h2v1_fancy_upsample_sse2(cinfo->max_v_samp_factor,
++        compptr->downsampled_width, input_data, output_data_ptr);
++  else if (simd_support & JSIMD_MMX)
 +    jsimd_h2v1_fancy_upsample_mmx(cinfo->max_v_samp_factor,
 +        compptr->downsampled_width, input_data, output_data_ptr);
 +#endif
 +}
 +
 +GLOBAL(int)
 +jsimd_can_h2v2_merged_upsample (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (BITS_IN_JSAMPLE != 8)
 +    return 0;
 +  if (sizeof(JDIMENSION) != 4)
 +    return 0;
 +
++  if ((simd_support & JSIMD_SSE2) &&
++      IS_ALIGNED_SSE(jconst_merged_upsample_sse2))
++    return 1;
 +  if (simd_support & JSIMD_MMX)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(int)
 +jsimd_can_h2v1_merged_upsample (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (BITS_IN_JSAMPLE != 8)
 +    return 0;
 +  if (sizeof(JDIMENSION) != 4)
 +    return 0;
 +
++  if ((simd_support & JSIMD_SSE2) &&
++      IS_ALIGNED_SSE(jconst_merged_upsample_sse2))
++    return 1;
 +  if (simd_support & JSIMD_MMX)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(void)
 +jsimd_h2v2_merged_upsample (j_decompress_ptr cinfo,
 +                            JSAMPIMAGE input_buf,
 +                            JDIMENSION in_row_group_ctr,
 +                            JSAMPARRAY output_buf)
 +{
 +#ifdef WITH_SIMD
-   if (simd_support & JSIMD_MMX)
++  if ((simd_support & JSIMD_SSE2) &&
++      IS_ALIGNED_SSE(jconst_merged_upsample_sse2))
++    jsimd_h2v2_merged_upsample_sse2(cinfo->output_width, input_buf,
++        in_row_group_ctr, output_buf);
++  else if (simd_support & JSIMD_MMX)
 +    jsimd_h2v2_merged_upsample_mmx(cinfo->output_width, input_buf,
 +        in_row_group_ctr, output_buf);
 +#endif
 +}
 +
 +GLOBAL(void)
 +jsimd_h2v1_merged_upsample (j_decompress_ptr cinfo,
 +                            JSAMPIMAGE input_buf,
 +                            JDIMENSION in_row_group_ctr,
 +                            JSAMPARRAY output_buf)
 +{
 +#ifdef WITH_SIMD
-   if (simd_support & JSIMD_MMX)
++  if ((simd_support & JSIMD_SSE2) &&
++      IS_ALIGNED_SSE(jconst_merged_upsample_sse2))
++    jsimd_h2v1_merged_upsample_sse2(cinfo->output_width, input_buf,
++        in_row_group_ctr, output_buf);
++  else if (simd_support & JSIMD_MMX)
 +    jsimd_h2v1_merged_upsample_mmx(cinfo->output_width, input_buf,
 +        in_row_group_ctr, output_buf);
 +#endif
 +}
 +
 +GLOBAL(int)
 +jsimd_can_convsamp (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (DCTSIZE != 8)
 +    return 0;
 +  if (BITS_IN_JSAMPLE != 8)
 +    return 0;
 +  if (sizeof(JDIMENSION) != 4)
 +    return 0;
 +  if (sizeof(DCTELEM) != 2)
 +    return 0;
 +
++  if (simd_support & JSIMD_SSE2)
++    return 1;
 +  if (simd_support & JSIMD_MMX)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(int)
 +jsimd_can_convsamp_float (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (DCTSIZE != 8)
 +    return 0;
 +  if (BITS_IN_JSAMPLE != 8)
 +    return 0;
 +  if (sizeof(JDIMENSION) != 4)
 +    return 0;
 +  if (sizeof(FAST_FLOAT) != 4)
 +    return 0;
 +
++  if (simd_support & JSIMD_SSE2)
++    return 1;
 +  if (simd_support & JSIMD_SSE)
 +    return 1;
 +  if (simd_support & JSIMD_3DNOW)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(void)
 +jsimd_convsamp (JSAMPARRAY sample_data, JDIMENSION start_col,
 +                DCTELEM * workspace)
 +{
 +#ifdef WITH_SIMD
-   if (simd_support & JSIMD_SSE)
++  if (simd_support & JSIMD_SSE2)
++    jsimd_convsamp_sse2(sample_data, start_col, workspace);
++  else if (simd_support & JSIMD_MMX)
 +    jsimd_convsamp_mmx(sample_data, start_col, workspace);
 +#endif
 +}
 +
 +GLOBAL(void)
 +jsimd_convsamp_float (JSAMPARRAY sample_data, JDIMENSION start_col,
 +                      FAST_FLOAT * workspace)
 +{
 +#ifdef WITH_SIMD
-   if (simd_support & JSIMD_MMX)
++  if (simd_support & JSIMD_SSE2)
++    jsimd_convsamp_float_sse2(sample_data, start_col, workspace);
++  else if (simd_support & JSIMD_SSE)
 +    jsimd_convsamp_float_sse(sample_data, start_col, workspace);
 +  else if (simd_support & JSIMD_3DNOW)
 +    jsimd_convsamp_float_3dnow(sample_data, start_col, workspace);
 +#endif
 +}
 +
 +GLOBAL(int)
 +jsimd_can_fdct_islow (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (DCTSIZE != 8)
 +    return 0;
 +  if (sizeof(DCTELEM) != 2)
 +    return 0;
 +
++  if ((simd_support & JSIMD_SSE2) && IS_ALIGNED_SSE(jconst_fdct_islow_sse2))
++    return 1;
 +  if (simd_support & JSIMD_MMX)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(int)
 +jsimd_can_fdct_ifast (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (DCTSIZE != 8)
 +    return 0;
 +  if (sizeof(DCTELEM) != 2)
 +    return 0;
 +
++  if ((simd_support & JSIMD_SSE2) && IS_ALIGNED_SSE(jconst_fdct_ifast_sse2))
++    return 1;
 +  if (simd_support & JSIMD_MMX)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(int)
 +jsimd_can_fdct_float (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (DCTSIZE != 8)
 +    return 0;
 +  if (sizeof(FAST_FLOAT) != 4)
 +    return 0;
 +
 +  if ((simd_support & JSIMD_SSE) && IS_ALIGNED_SSE(jconst_fdct_float_sse))
 +    return 1;
 +  if (simd_support & JSIMD_3DNOW)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(void)
 +jsimd_fdct_islow (DCTELEM * data)
 +{
 +#ifdef WITH_SIMD
-   if (simd_support & JSIMD_MMX)
++  if ((simd_support & JSIMD_SSE2) && IS_ALIGNED_SSE(jconst_fdct_islow_sse2))
++    jsimd_fdct_islow_sse2(data);
++  else if (simd_support & JSIMD_MMX)
 +    jsimd_fdct_islow_mmx(data);
 +#endif
 +}
 +
 +GLOBAL(void)
 +jsimd_fdct_ifast (DCTELEM * data)
 +{
 +#ifdef WITH_SIMD
-   if (simd_support & JSIMD_MMX)
++  if ((simd_support & JSIMD_SSE2) && IS_ALIGNED_SSE(jconst_fdct_islow_sse2))
++    jsimd_fdct_ifast_sse2(data);
++  else if (simd_support & JSIMD_MMX)
 +    jsimd_fdct_ifast_mmx(data);
 +#endif
 +}
 +
 +GLOBAL(void)
 +jsimd_fdct_float (FAST_FLOAT * data)
 +{
 +#ifdef WITH_SIMD
 +  if ((simd_support & JSIMD_SSE) && IS_ALIGNED_SSE(jconst_fdct_float_sse))
 +    jsimd_fdct_float_sse(data);
 +  else if (simd_support & JSIMD_3DNOW)
 +    jsimd_fdct_float_3dnow(data);
 +#endif
 +}
 +
 +GLOBAL(int)
 +jsimd_can_quantize (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (DCTSIZE != 8)
 +    return 0;
 +  if (sizeof(JCOEF) != 2)
 +    return 0;
 +  if (sizeof(DCTELEM) != 2)
 +    return 0;
 +
++  if (simd_support & JSIMD_SSE2)
++    return 1;
 +  if (simd_support & JSIMD_MMX)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(int)
 +jsimd_can_quantize_float (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (DCTSIZE != 8)
 +    return 0;
 +  if (sizeof(JCOEF) != 2)
 +    return 0;
 +  if (sizeof(FAST_FLOAT) != 4)
 +    return 0;
 +
++  if (simd_support & JSIMD_SSE2)
++    return 1;
 +  if (simd_support & JSIMD_SSE)
 +    return 1;
 +  if (simd_support & JSIMD_3DNOW)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(void)
 +jsimd_quantize (JCOEFPTR coef_block, DCTELEM * divisors,
 +                DCTELEM * workspace)
 +{
 +#ifdef WITH_SIMD
-   if (simd_support & JSIMD_SSE)
++  if (simd_support & JSIMD_SSE2)
++    jsimd_quantize_sse2(coef_block, divisors, workspace);
++  else if (simd_support & JSIMD_MMX)
 +    jsimd_quantize_mmx(coef_block, divisors, workspace);
 +#endif
 +}
 +
 +GLOBAL(void)
 +jsimd_quantize_float (JCOEFPTR coef_block, FAST_FLOAT * divisors,
 +                      FAST_FLOAT * workspace)
 +{
 +#ifdef WITH_SIMD
-   if (simd_support & JSIMD_MMX)
++  if (simd_support & JSIMD_SSE2)
++    jsimd_quantize_float_sse2(coef_block, divisors, workspace);
++  else if (simd_support & JSIMD_SSE)
 +    jsimd_quantize_float_sse(coef_block, divisors, workspace);
 +  else if (simd_support & JSIMD_3DNOW)
 +    jsimd_quantize_float_3dnow(coef_block, divisors, workspace);
 +#endif
 +}
 +
 +GLOBAL(int)
 +jsimd_can_idct_2x2 (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (DCTSIZE != 8)
 +    return 0;
 +  if (sizeof(JCOEF) != 2)
 +    return 0;
 +  if (BITS_IN_JSAMPLE != 8)
 +    return 0;
 +  if (sizeof(JDIMENSION) != 4)
 +    return 0;
 +  if (sizeof(ISLOW_MULT_TYPE) != 2)
 +    return 0;
 +
++  if ((simd_support & JSIMD_SSE2) && IS_ALIGNED_SSE(jconst_idct_red_sse2))
++    return 1;
 +  if (simd_support & JSIMD_MMX)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(int)
 +jsimd_can_idct_4x4 (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (DCTSIZE != 8)
 +    return 0;
 +  if (sizeof(JCOEF) != 2)
 +    return 0;
 +  if (BITS_IN_JSAMPLE != 8)
 +    return 0;
 +  if (sizeof(JDIMENSION) != 4)
 +    return 0;
 +  if (sizeof(ISLOW_MULT_TYPE) != 2)
 +    return 0;
 +
++  if ((simd_support & JSIMD_SSE2) && IS_ALIGNED_SSE(jconst_idct_red_sse2))
++    return 1;
 +  if (simd_support & JSIMD_MMX)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(void)
 +jsimd_idct_2x2 (j_decompress_ptr cinfo, jpeg_component_info * compptr,
 +                JCOEFPTR coef_block, JSAMPARRAY output_buf,
 +                JDIMENSION output_col)
 +{
 +#if WITH_SIMD
-   if (simd_support & JSIMD_MMX)
++  if ((simd_support & JSIMD_SSE2) && IS_ALIGNED_SSE(jconst_idct_red_sse2))
++    jsimd_idct_2x2_sse2(compptr->dct_table, coef_block, output_buf, output_col);
++  else if (simd_support & JSIMD_MMX)
 +    jsimd_idct_2x2_mmx(compptr->dct_table, coef_block, output_buf, output_col);
 +#endif
 +}
 +
 +GLOBAL(void)
 +jsimd_idct_4x4 (j_decompress_ptr cinfo, jpeg_component_info * compptr,
 +                JCOEFPTR coef_block, JSAMPARRAY output_buf,
 +                JDIMENSION output_col)
 +{
 +#if WITH_SIMD
-   if (simd_support & JSIMD_MMX)
++  if ((simd_support & JSIMD_SSE2) && IS_ALIGNED_SSE(jconst_idct_red_sse2))
++    jsimd_idct_4x4_sse2(compptr->dct_table, coef_block, output_buf, output_col);
++  else if (simd_support & JSIMD_MMX)
 +    jsimd_idct_4x4_mmx(compptr->dct_table, coef_block, output_buf, output_col);
 +#endif
 +}
 +
 +GLOBAL(int)
 +jsimd_can_idct_islow (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (DCTSIZE != 8)
 +    return 0;
 +  if (sizeof(JCOEF) != 2)
 +    return 0;
 +  if (BITS_IN_JSAMPLE != 8)
 +    return 0;
 +  if (sizeof(JDIMENSION) != 4)
 +    return 0;
 +  if (sizeof(ISLOW_MULT_TYPE) != 2)
 +    return 0;
 +
++  if ((simd_support & JSIMD_SSE2) && IS_ALIGNED_SSE(jconst_idct_islow_sse2))
++    return 1;
 +  if (simd_support & JSIMD_MMX)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(int)
 +jsimd_can_idct_ifast (void)
 +{
 +  init_simd();
 +
 +  /* The code is optimised for these values only */
 +  if (DCTSIZE != 8)
 +    return 0;
 +  if (sizeof(JCOEF) != 2)
 +    return 0;
 +  if (BITS_IN_JSAMPLE != 8)
 +    return 0;
 +  if (sizeof(JDIMENSION) != 4)
 +    return 0;
 +  if (sizeof(IFAST_MULT_TYPE) != 2)
 +    return 0;
 +  if (IFAST_SCALE_BITS != 2)
 +    return 0;
 +
++  if ((simd_support & JSIMD_SSE2) && IS_ALIGNED_SSE(jconst_idct_ifast_sse2))
++    return 1;
 +  if (simd_support & JSIMD_MMX)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(int)
 +jsimd_can_idct_float (void)
 +{
 +  init_simd();
 +
 +  if (DCTSIZE != 8)
 +    return 0;
 +  if (sizeof(JCOEF) != 2)
 +    return 0;
 +  if (BITS_IN_JSAMPLE != 8)
 +    return 0;
 +  if (sizeof(JDIMENSION) != 4)
 +    return 0;
 +  if (sizeof(FAST_FLOAT) != 4)
 +    return 0;
 +  if (sizeof(FLOAT_MULT_TYPE) != 4)
 +    return 0;
 +
++  if ((simd_support & JSIMD_SSE2) && IS_ALIGNED_SSE(jconst_idct_float_sse2))
++    return 1;
 +  if ((simd_support & JSIMD_SSE) && IS_ALIGNED_SSE(jconst_idct_float_sse))
 +    return 1;
 +  if (simd_support & JSIMD_3DNOW)
 +    return 1;
 +
 +  return 0;
 +}
 +
 +GLOBAL(void)
 +jsimd_idct_islow (j_decompress_ptr cinfo, jpeg_component_info * compptr,
 +                JCOEFPTR coef_block, JSAMPARRAY output_buf,
 +                JDIMENSION output_col)
 +{
 +#if WITH_SIMD
-   if (simd_support & JSIMD_MMX)
++  if ((simd_support & JSIMD_SSE2) && IS_ALIGNED_SSE(jconst_idct_islow_sse2))
++    jsimd_idct_islow_sse2(compptr->dct_table, coef_block, output_buf, output_col);
++  else if (simd_support & JSIMD_MMX)
 +    jsimd_idct_islow_mmx(compptr->dct_table, coef_block, output_buf, output_col);
 +#endif
 +}
 +
 +GLOBAL(void)
 +jsimd_idct_ifast (j_decompress_ptr cinfo, jpeg_component_info * compptr,
 +                JCOEFPTR coef_block, JSAMPARRAY output_buf,
 +                JDIMENSION output_col)
 +{
 +#if WITH_SIMD
-   if ((simd_support & JSIMD_SSE) && IS_ALIGNED_SSE(jconst_idct_float_sse))
++  if ((simd_support & JSIMD_SSE2) && IS_ALIGNED_SSE(jconst_idct_ifast_sse2))
++    jsimd_idct_ifast_sse2(compptr->dct_table, coef_block, output_buf, output_col);
++  else if (simd_support & JSIMD_MMX)
 +    jsimd_idct_ifast_mmx(compptr->dct_table, coef_block, output_buf, output_col);
 +#endif
 +}
 +
 +GLOBAL(void)
 +jsimd_idct_float (j_decompress_ptr cinfo, jpeg_component_info * compptr,
 +                JCOEFPTR coef_block, JSAMPARRAY output_buf,
 +                JDIMENSION output_col)
 +{
 +#if WITH_SIMD
++  if ((simd_support & JSIMD_SSE2) && IS_ALIGNED_SSE(jconst_idct_float_sse2))
++    jsimd_idct_float_sse2(compptr->dct_table, coef_block,
++        output_buf, output_col);
++  else if ((simd_support & JSIMD_SSE) && IS_ALIGNED_SSE(jconst_idct_float_sse))
 +    jsimd_idct_float_sse(compptr->dct_table, coef_block,
 +        output_buf, output_col);
 +  else if (simd_support & JSIMD_3DNOW)
 +    jsimd_idct_float_3dnow(compptr->dct_table, coef_block,
 +        output_buf, output_col);
 +#endif
 +}
 +
index 0000000000000000000000000000000000000000,1aabd89f4170611b9a7a5b83c019a9c6d6f25b03..99473b650d2f2943e41fd531cc1b2cd731c5d871
mode 000000,100644..100644
--- /dev/null
@@@ -1,0 -1,541 +1,533 @@@
 -; Last Modified : February 4, 2006
 -;
+ ;
+ ; jccolss2.asm - colorspace conversion (SSE2)
+ ;
+ ; x86 SIMD extension for IJG JPEG library
+ ; Copyright (C) 1999-2006, MIYASAKA Masaru.
+ ; For conditions of distribution and use, see copyright notice in jsimdext.inc
+ ;
+ ; This file should be assembled with NASM (Netwide Assembler),
+ ; can *not* be assembled with Microsoft's MASM or any compatible
+ ; assembler (including Borland's Turbo Assembler).
+ ; NASM is available from http://nasm.sourceforge.net/ or
+ ; http://sourceforge.net/project/showfiles.php?group_id=6208
+ ;
 -%include "jsimdext.inc"
 -%include "jcolsamp.inc"
 -
 -%if RGB_PIXELSIZE == 3 || RGB_PIXELSIZE == 4
 -%ifdef JCCOLOR_RGBYCC_SSE2_SUPPORTED
+ ; [TAB8]
 -; jpeg_rgb_ycc_convert_sse2 (j_compress_ptr cinfo,
 -;                            JSAMPARRAY input_buf, JSAMPIMAGE output_buf,
 -;                            JDIMENSION output_row, int num_rows);
++%include "simd/jsimdext.inc"
++%include "simd/jcolsamp.inc"
+ ; --------------------------------------------------------------------------
+ %define SCALEBITS     16
+ F_0_081       equ      5329                   ; FIX(0.08131)
+ F_0_114       equ      7471                   ; FIX(0.11400)
+ F_0_168       equ     11059                   ; FIX(0.16874)
+ F_0_250       equ     16384                   ; FIX(0.25000)
+ F_0_299       equ     19595                   ; FIX(0.29900)
+ F_0_331       equ     21709                   ; FIX(0.33126)
+ F_0_418       equ     27439                   ; FIX(0.41869)
+ F_0_587       equ     38470                   ; FIX(0.58700)
+ F_0_337       equ     (F_0_587 - F_0_250)     ; FIX(0.58700) - FIX(0.25000)
+ ; --------------------------------------------------------------------------
+       SECTION SEG_CONST
+       alignz  16
+       global  EXTN(jconst_rgb_ycc_convert_sse2)
+ EXTN(jconst_rgb_ycc_convert_sse2):
+ PW_F0299_F0337        times 4 dw  F_0_299, F_0_337
+ PW_F0114_F0250        times 4 dw  F_0_114, F_0_250
+ PW_MF016_MF033        times 4 dw -F_0_168,-F_0_331
+ PW_MF008_MF041        times 4 dw -F_0_081,-F_0_418
+ PD_ONEHALFM1_CJ       times 4 dd  (1 << (SCALEBITS-1)) - 1 + (CENTERJSAMPLE << SCALEBITS)
+ PD_ONEHALF    times 4 dd  (1 << (SCALEBITS-1))
+       alignz  16
+ ; --------------------------------------------------------------------------
+       SECTION SEG_TEXT
+       BITS    32
+ ;
+ ; Convert some rows of samples to the output colorspace.
+ ;
+ ; GLOBAL(void)
 -%define cinfo(b)      (b)+8           ; j_compress_ptr cinfo
++; jsimd_rgb_ycc_convert_sse2 (JDIMENSION img_width,
++;                             JSAMPARRAY input_buf, JSAMPIMAGE output_buf,
++;                             JDIMENSION output_row, int num_rows);
+ ;
 -      global  EXTN(jpeg_rgb_ycc_convert_sse2)
++%define img_width(b)  (b)+8                   ; JDIMENSION img_width
+ %define input_buf(b)  (b)+12          ; JSAMPARRAY input_buf
+ %define output_buf(b) (b)+16          ; JSAMPIMAGE output_buf
+ %define output_row(b) (b)+20          ; JDIMENSION output_row
+ %define num_rows(b)   (b)+24          ; int num_rows
+ %define original_ebp  ebp+0
+ %define wk(i)         ebp-(WK_NUM-(i))*SIZEOF_XMMWORD ; xmmword wk[WK_NUM]
+ %define WK_NUM                8
+ %define gotptr                wk(0)-SIZEOF_POINTER    ; void * gotptr
+       align   16
 -EXTN(jpeg_rgb_ycc_convert_sse2):
++      global  EXTN(jsimd_rgb_ycc_convert_sse2)
 -      mov     ecx, POINTER [cinfo(eax)]
 -      mov     ecx, JDIMENSION [jcstruct_image_width(ecx)]     ; num_cols
++EXTN(jsimd_rgb_ycc_convert_sse2):
+       push    ebp
+       mov     eax,esp                         ; eax = original ebp
+       sub     esp, byte 4
+       and     esp, byte (-SIZEOF_XMMWORD)     ; align to 128 bits
+       mov     [esp],eax
+       mov     ebp,esp                         ; ebp = aligned ebp
+       lea     esp, [wk(0)]
+       pushpic eax             ; make a room for GOT address
+       push    ebx
+ ;     push    ecx             ; need not be preserved
+ ;     push    edx             ; need not be preserved
+       push    esi
+       push    edi
+       get_GOT ebx                     ; get GOT address
+       movpic  POINTER [gotptr], ebx   ; save GOT address
 -      movd    xmmF, _DWORD [esi+ecx]
++      mov     ecx, JDIMENSION [img_width(eax)]
+       test    ecx,ecx
+       jz      near .return
+       push    ecx
+       mov     esi, JSAMPIMAGE [output_buf(eax)]
+       mov     ecx, JDIMENSION [output_row(eax)]
+       mov     edi, JSAMPARRAY [esi+0*SIZEOF_JSAMPARRAY]
+       mov     ebx, JSAMPARRAY [esi+1*SIZEOF_JSAMPARRAY]
+       mov     edx, JSAMPARRAY [esi+2*SIZEOF_JSAMPARRAY]
+       lea     edi, [edi+ecx*SIZEOF_JSAMPROW]
+       lea     ebx, [ebx+ecx*SIZEOF_JSAMPROW]
+       lea     edx, [edx+ecx*SIZEOF_JSAMPROW]
+       pop     ecx
+       mov     esi, JSAMPARRAY [input_buf(eax)]
+       mov     eax, INT [num_rows(eax)]
+       test    eax,eax
+       jle     near .return
+       alignx  16,7
+ .rowloop:
+       pushpic eax
+       push    edx
+       push    ebx
+       push    edi
+       push    esi
+       push    ecx                     ; col
+       mov     esi, JSAMPROW [esi]     ; inptr
+       mov     edi, JSAMPROW [edi]     ; outptr0
+       mov     ebx, JSAMPROW [ebx]     ; outptr1
+       mov     edx, JSAMPROW [edx]     ; outptr2
+       movpic  eax, POINTER [gotptr]   ; load GOT address (eax)
+       cmp     ecx, byte SIZEOF_XMMWORD
+       jae     near .columnloop
+       alignx  16,7
+ %if RGB_PIXELSIZE == 3 ; ---------------
+ .column_ld1:
+       push    eax
+       push    edx
+       lea     ecx,[ecx+ecx*2]         ; imul ecx,RGB_PIXELSIZE
+       test    cl, SIZEOF_BYTE
+       jz      short .column_ld2
+       sub     ecx, byte SIZEOF_BYTE
+       movzx   eax, BYTE [esi+ecx]
+ .column_ld2:
+       test    cl, SIZEOF_WORD
+       jz      short .column_ld4
+       sub     ecx, byte SIZEOF_WORD
+       movzx   edx, WORD [esi+ecx]
+       shl     eax, WORD_BIT
+       or      eax,edx
+ .column_ld4:
+       movd    xmmA,eax
+       pop     edx
+       pop     eax
+       test    cl, SIZEOF_DWORD
+       jz      short .column_ld8
+       sub     ecx, byte SIZEOF_DWORD
 -      movq    xmmB, _MMWORD [esi+ecx]
++      movd    xmmF, XMM_DWORD [esi+ecx]
+       pslldq  xmmA, SIZEOF_DWORD
+       por     xmmA,xmmF
+ .column_ld8:
+       test    cl, SIZEOF_MMWORD
+       jz      short .column_ld16
+       sub     ecx, byte SIZEOF_MMWORD
 -%endif ; JCCOLOR_RGBYCC_SSE2_SUPPORTED
 -%endif ; RGB_PIXELSIZE == 3 || RGB_PIXELSIZE == 4
++      movq    xmmB, XMM_MMWORD [esi+ecx]
+       pslldq  xmmA, SIZEOF_MMWORD
+       por     xmmA,xmmB
+ .column_ld16:
+       test    cl, SIZEOF_XMMWORD
+       jz      short .column_ld32
+       movdqa  xmmF,xmmA
+       movdqu  xmmA, XMMWORD [esi+0*SIZEOF_XMMWORD]
+       mov     ecx, SIZEOF_XMMWORD
+       jmp     short .rgb_ycc_cnv
+ .column_ld32:
+       test    cl, 2*SIZEOF_XMMWORD
+       mov     ecx, SIZEOF_XMMWORD
+       jz      short .rgb_ycc_cnv
+       movdqa  xmmB,xmmA
+       movdqu  xmmA, XMMWORD [esi+0*SIZEOF_XMMWORD]
+       movdqu  xmmF, XMMWORD [esi+1*SIZEOF_XMMWORD]
+       jmp     short .rgb_ycc_cnv
+       alignx  16,7
+ .columnloop:
+       movdqu  xmmA, XMMWORD [esi+0*SIZEOF_XMMWORD]
+       movdqu  xmmF, XMMWORD [esi+1*SIZEOF_XMMWORD]
+       movdqu  xmmB, XMMWORD [esi+2*SIZEOF_XMMWORD]
+ .rgb_ycc_cnv:
+       ; xmmA=(00 10 20 01 11 21 02 12 22 03 13 23 04 14 24 05)
+       ; xmmF=(15 25 06 16 26 07 17 27 08 18 28 09 19 29 0A 1A)
+       ; xmmB=(2A 0B 1B 2B 0C 1C 2C 0D 1D 2D 0E 1E 2E 0F 1F 2F)
+       movdqa    xmmG,xmmA
+       pslldq    xmmA,8        ; xmmA=(-- -- -- -- -- -- -- -- 00 10 20 01 11 21 02 12)
+       psrldq    xmmG,8        ; xmmG=(22 03 13 23 04 14 24 05 -- -- -- -- -- -- -- --)
+       punpckhbw xmmA,xmmF     ; xmmA=(00 08 10 18 20 28 01 09 11 19 21 29 02 0A 12 1A)
+       pslldq    xmmF,8        ; xmmF=(-- -- -- -- -- -- -- -- 15 25 06 16 26 07 17 27)
+       punpcklbw xmmG,xmmB     ; xmmG=(22 2A 03 0B 13 1B 23 2B 04 0C 14 1C 24 2C 05 0D)
+       punpckhbw xmmF,xmmB     ; xmmF=(15 1D 25 2D 06 0E 16 1E 26 2E 07 0F 17 1F 27 2F)
+       movdqa    xmmD,xmmA
+       pslldq    xmmA,8        ; xmmA=(-- -- -- -- -- -- -- -- 00 08 10 18 20 28 01 09)
+       psrldq    xmmD,8        ; xmmD=(11 19 21 29 02 0A 12 1A -- -- -- -- -- -- -- --)
+       punpckhbw xmmA,xmmG     ; xmmA=(00 04 08 0C 10 14 18 1C 20 24 28 2C 01 05 09 0D)
+       pslldq    xmmG,8        ; xmmG=(-- -- -- -- -- -- -- -- 22 2A 03 0B 13 1B 23 2B)
+       punpcklbw xmmD,xmmF     ; xmmD=(11 15 19 1D 21 25 29 2D 02 06 0A 0E 12 16 1A 1E)
+       punpckhbw xmmG,xmmF     ; xmmG=(22 26 2A 2E 03 07 0B 0F 13 17 1B 1F 23 27 2B 2F)
+       movdqa    xmmE,xmmA
+       pslldq    xmmA,8        ; xmmA=(-- -- -- -- -- -- -- -- 00 04 08 0C 10 14 18 1C)
+       psrldq    xmmE,8        ; xmmE=(20 24 28 2C 01 05 09 0D -- -- -- -- -- -- -- --)
+       punpckhbw xmmA,xmmD     ; xmmA=(00 02 04 06 08 0A 0C 0E 10 12 14 16 18 1A 1C 1E)
+       pslldq    xmmD,8        ; xmmD=(-- -- -- -- -- -- -- -- 11 15 19 1D 21 25 29 2D)
+       punpcklbw xmmE,xmmG     ; xmmE=(20 22 24 26 28 2A 2C 2E 01 03 05 07 09 0B 0D 0F)
+       punpckhbw xmmD,xmmG     ; xmmD=(11 13 15 17 19 1B 1D 1F 21 23 25 27 29 2B 2D 2F)
+       pxor      xmmH,xmmH
+       movdqa    xmmC,xmmA
+       punpcklbw xmmA,xmmH     ; xmmA=(00 02 04 06 08 0A 0C 0E)
+       punpckhbw xmmC,xmmH     ; xmmC=(10 12 14 16 18 1A 1C 1E)
+       movdqa    xmmB,xmmE
+       punpcklbw xmmE,xmmH     ; xmmE=(20 22 24 26 28 2A 2C 2E)
+       punpckhbw xmmB,xmmH     ; xmmB=(01 03 05 07 09 0B 0D 0F)
+       movdqa    xmmF,xmmD
+       punpcklbw xmmD,xmmH     ; xmmD=(11 13 15 17 19 1B 1D 1F)
+       punpckhbw xmmF,xmmH     ; xmmF=(21 23 25 27 29 2B 2D 2F)
+ %else ; RGB_PIXELSIZE == 4 ; -----------
+ .column_ld1:
+       test    cl, SIZEOF_XMMWORD/16
+       jz      short .column_ld2
+       sub     ecx, byte SIZEOF_XMMWORD/16
+       movd    xmmA, _DWORD [esi+ecx*RGB_PIXELSIZE]
+ .column_ld2:
+       test    cl, SIZEOF_XMMWORD/8
+       jz      short .column_ld4
+       sub     ecx, byte SIZEOF_XMMWORD/8
+       movq    xmmE, _MMWORD [esi+ecx*RGB_PIXELSIZE]
+       pslldq  xmmA, SIZEOF_MMWORD
+       por     xmmA,xmmE
+ .column_ld4:
+       test    cl, SIZEOF_XMMWORD/4
+       jz      short .column_ld8
+       sub     ecx, byte SIZEOF_XMMWORD/4
+       movdqa  xmmE,xmmA
+       movdqu  xmmA, XMMWORD [esi+ecx*RGB_PIXELSIZE]
+ .column_ld8:
+       test    cl, SIZEOF_XMMWORD/2
+       mov     ecx, SIZEOF_XMMWORD
+       jz      short .rgb_ycc_cnv
+       movdqa  xmmF,xmmA
+       movdqa  xmmH,xmmE
+       movdqu  xmmA, XMMWORD [esi+0*SIZEOF_XMMWORD]
+       movdqu  xmmE, XMMWORD [esi+1*SIZEOF_XMMWORD]
+       jmp     short .rgb_ycc_cnv
+       alignx  16,7
+ .columnloop:
+       movdqu  xmmA, XMMWORD [esi+0*SIZEOF_XMMWORD]
+       movdqu  xmmE, XMMWORD [esi+1*SIZEOF_XMMWORD]
+       movdqu  xmmF, XMMWORD [esi+2*SIZEOF_XMMWORD]
+       movdqu  xmmH, XMMWORD [esi+3*SIZEOF_XMMWORD]
+ .rgb_ycc_cnv:
+       ; xmmA=(00 10 20 30 01 11 21 31 02 12 22 32 03 13 23 33)
+       ; xmmE=(04 14 24 34 05 15 25 35 06 16 26 36 07 17 27 37)
+       ; xmmF=(08 18 28 38 09 19 29 39 0A 1A 2A 3A 0B 1B 2B 3B)
+       ; xmmH=(0C 1C 2C 3C 0D 1D 2D 3D 0E 1E 2E 3E 0F 1F 2F 3F)
+       movdqa    xmmD,xmmA
+       punpcklbw xmmA,xmmE     ; xmmA=(00 04 10 14 20 24 30 34 01 05 11 15 21 25 31 35)
+       punpckhbw xmmD,xmmE     ; xmmD=(02 06 12 16 22 26 32 36 03 07 13 17 23 27 33 37)
+       movdqa    xmmC,xmmF
+       punpcklbw xmmF,xmmH     ; xmmF=(08 0C 18 1C 28 2C 38 3C 09 0D 19 1D 29 2D 39 3D)
+       punpckhbw xmmC,xmmH     ; xmmC=(0A 0E 1A 1E 2A 2E 3A 3E 0B 0F 1B 1F 2B 2F 3B 3F)
+       movdqa    xmmB,xmmA
+       punpcklwd xmmA,xmmF     ; xmmA=(00 04 08 0C 10 14 18 1C 20 24 28 2C 30 34 38 3C)
+       punpckhwd xmmB,xmmF     ; xmmB=(01 05 09 0D 11 15 19 1D 21 25 29 2D 31 35 39 3D)
+       movdqa    xmmG,xmmD
+       punpcklwd xmmD,xmmC     ; xmmD=(02 06 0A 0E 12 16 1A 1E 22 26 2A 2E 32 36 3A 3E)
+       punpckhwd xmmG,xmmC     ; xmmG=(03 07 0B 0F 13 17 1B 1F 23 27 2B 2F 33 37 3B 3F)
+       movdqa    xmmE,xmmA
+       punpcklbw xmmA,xmmD     ; xmmA=(00 02 04 06 08 0A 0C 0E 10 12 14 16 18 1A 1C 1E)
+       punpckhbw xmmE,xmmD     ; xmmE=(20 22 24 26 28 2A 2C 2E 30 32 34 36 38 3A 3C 3E)
+       movdqa    xmmH,xmmB
+       punpcklbw xmmB,xmmG     ; xmmB=(01 03 05 07 09 0B 0D 0F 11 13 15 17 19 1B 1D 1F)
+       punpckhbw xmmH,xmmG     ; xmmH=(21 23 25 27 29 2B 2D 2F 31 33 35 37 39 3B 3D 3F)
+       pxor      xmmF,xmmF
+       movdqa    xmmC,xmmA
+       punpcklbw xmmA,xmmF     ; xmmA=(00 02 04 06 08 0A 0C 0E)
+       punpckhbw xmmC,xmmF     ; xmmC=(10 12 14 16 18 1A 1C 1E)
+       movdqa    xmmD,xmmB
+       punpcklbw xmmB,xmmF     ; xmmB=(01 03 05 07 09 0B 0D 0F)
+       punpckhbw xmmD,xmmF     ; xmmD=(11 13 15 17 19 1B 1D 1F)
+       movdqa    xmmG,xmmE
+       punpcklbw xmmE,xmmF     ; xmmE=(20 22 24 26 28 2A 2C 2E)
+       punpckhbw xmmG,xmmF     ; xmmG=(30 32 34 36 38 3A 3C 3E)
+       punpcklbw xmmF,xmmH
+       punpckhbw xmmH,xmmH
+       psrlw     xmmF,BYTE_BIT ; xmmF=(21 23 25 27 29 2B 2D 2F)
+       psrlw     xmmH,BYTE_BIT ; xmmH=(31 33 35 37 39 3B 3D 3F)
+ %endif ; RGB_PIXELSIZE ; ---------------
+       ; xmm0=R(02468ACE)=RE, xmm2=G(02468ACE)=GE, xmm4=B(02468ACE)=BE
+       ; xmm1=R(13579BDF)=RO, xmm3=G(13579BDF)=GO, xmm5=B(13579BDF)=BO
+       ; (Original)
+       ; Y  =  0.29900 * R + 0.58700 * G + 0.11400 * B
+       ; Cb = -0.16874 * R - 0.33126 * G + 0.50000 * B + CENTERJSAMPLE
+       ; Cr =  0.50000 * R - 0.41869 * G - 0.08131 * B + CENTERJSAMPLE
+       ;
+       ; (This implementation)
+       ; Y  =  0.29900 * R + 0.33700 * G + 0.11400 * B + 0.25000 * G
+       ; Cb = -0.16874 * R - 0.33126 * G + 0.50000 * B + CENTERJSAMPLE
+       ; Cr =  0.50000 * R - 0.41869 * G - 0.08131 * B + CENTERJSAMPLE
+       movdqa    XMMWORD [wk(0)], xmm0 ; wk(0)=RE
+       movdqa    XMMWORD [wk(1)], xmm1 ; wk(1)=RO
+       movdqa    XMMWORD [wk(2)], xmm4 ; wk(2)=BE
+       movdqa    XMMWORD [wk(3)], xmm5 ; wk(3)=BO
+       movdqa    xmm6,xmm1
+       punpcklwd xmm1,xmm3
+       punpckhwd xmm6,xmm3
+       movdqa    xmm7,xmm1
+       movdqa    xmm4,xmm6
+       pmaddwd   xmm1,[GOTOFF(eax,PW_F0299_F0337)] ; xmm1=ROL*FIX(0.299)+GOL*FIX(0.337)
+       pmaddwd   xmm6,[GOTOFF(eax,PW_F0299_F0337)] ; xmm6=ROH*FIX(0.299)+GOH*FIX(0.337)
+       pmaddwd   xmm7,[GOTOFF(eax,PW_MF016_MF033)] ; xmm7=ROL*-FIX(0.168)+GOL*-FIX(0.331)
+       pmaddwd   xmm4,[GOTOFF(eax,PW_MF016_MF033)] ; xmm4=ROH*-FIX(0.168)+GOH*-FIX(0.331)
+       movdqa    XMMWORD [wk(4)], xmm1 ; wk(4)=ROL*FIX(0.299)+GOL*FIX(0.337)
+       movdqa    XMMWORD [wk(5)], xmm6 ; wk(5)=ROH*FIX(0.299)+GOH*FIX(0.337)
+       pxor      xmm1,xmm1
+       pxor      xmm6,xmm6
+       punpcklwd xmm1,xmm5             ; xmm1=BOL
+       punpckhwd xmm6,xmm5             ; xmm6=BOH
+       psrld     xmm1,1                ; xmm1=BOL*FIX(0.500)
+       psrld     xmm6,1                ; xmm6=BOH*FIX(0.500)
+       movdqa    xmm5,[GOTOFF(eax,PD_ONEHALFM1_CJ)] ; xmm5=[PD_ONEHALFM1_CJ]
+       paddd     xmm7,xmm1
+       paddd     xmm4,xmm6
+       paddd     xmm7,xmm5
+       paddd     xmm4,xmm5
+       psrld     xmm7,SCALEBITS        ; xmm7=CbOL
+       psrld     xmm4,SCALEBITS        ; xmm4=CbOH
+       packssdw  xmm7,xmm4             ; xmm7=CbO
+       movdqa    xmm1, XMMWORD [wk(2)] ; xmm1=BE
+       movdqa    xmm6,xmm0
+       punpcklwd xmm0,xmm2
+       punpckhwd xmm6,xmm2
+       movdqa    xmm5,xmm0
+       movdqa    xmm4,xmm6
+       pmaddwd   xmm0,[GOTOFF(eax,PW_F0299_F0337)] ; xmm0=REL*FIX(0.299)+GEL*FIX(0.337)
+       pmaddwd   xmm6,[GOTOFF(eax,PW_F0299_F0337)] ; xmm6=REH*FIX(0.299)+GEH*FIX(0.337)
+       pmaddwd   xmm5,[GOTOFF(eax,PW_MF016_MF033)] ; xmm5=REL*-FIX(0.168)+GEL*-FIX(0.331)
+       pmaddwd   xmm4,[GOTOFF(eax,PW_MF016_MF033)] ; xmm4=REH*-FIX(0.168)+GEH*-FIX(0.331)
+       movdqa    XMMWORD [wk(6)], xmm0 ; wk(6)=REL*FIX(0.299)+GEL*FIX(0.337)
+       movdqa    XMMWORD [wk(7)], xmm6 ; wk(7)=REH*FIX(0.299)+GEH*FIX(0.337)
+       pxor      xmm0,xmm0
+       pxor      xmm6,xmm6
+       punpcklwd xmm0,xmm1             ; xmm0=BEL
+       punpckhwd xmm6,xmm1             ; xmm6=BEH
+       psrld     xmm0,1                ; xmm0=BEL*FIX(0.500)
+       psrld     xmm6,1                ; xmm6=BEH*FIX(0.500)
+       movdqa    xmm1,[GOTOFF(eax,PD_ONEHALFM1_CJ)] ; xmm1=[PD_ONEHALFM1_CJ]
+       paddd     xmm5,xmm0
+       paddd     xmm4,xmm6
+       paddd     xmm5,xmm1
+       paddd     xmm4,xmm1
+       psrld     xmm5,SCALEBITS        ; xmm5=CbEL
+       psrld     xmm4,SCALEBITS        ; xmm4=CbEH
+       packssdw  xmm5,xmm4             ; xmm5=CbE
+       psllw     xmm7,BYTE_BIT
+       por       xmm5,xmm7             ; xmm5=Cb
+       movdqa    XMMWORD [ebx], xmm5   ; Save Cb
+       movdqa    xmm0, XMMWORD [wk(3)] ; xmm0=BO
+       movdqa    xmm6, XMMWORD [wk(2)] ; xmm6=BE
+       movdqa    xmm1, XMMWORD [wk(1)] ; xmm1=RO
+       movdqa    xmm4,xmm0
+       punpcklwd xmm0,xmm3
+       punpckhwd xmm4,xmm3
+       movdqa    xmm7,xmm0
+       movdqa    xmm5,xmm4
+       pmaddwd   xmm0,[GOTOFF(eax,PW_F0114_F0250)] ; xmm0=BOL*FIX(0.114)+GOL*FIX(0.250)
+       pmaddwd   xmm4,[GOTOFF(eax,PW_F0114_F0250)] ; xmm4=BOH*FIX(0.114)+GOH*FIX(0.250)
+       pmaddwd   xmm7,[GOTOFF(eax,PW_MF008_MF041)] ; xmm7=BOL*-FIX(0.081)+GOL*-FIX(0.418)
+       pmaddwd   xmm5,[GOTOFF(eax,PW_MF008_MF041)] ; xmm5=BOH*-FIX(0.081)+GOH*-FIX(0.418)
+       movdqa    xmm3,[GOTOFF(eax,PD_ONEHALF)] ; xmm3=[PD_ONEHALF]
+       paddd     xmm0, XMMWORD [wk(4)]
+       paddd     xmm4, XMMWORD [wk(5)]
+       paddd     xmm0,xmm3
+       paddd     xmm4,xmm3
+       psrld     xmm0,SCALEBITS        ; xmm0=YOL
+       psrld     xmm4,SCALEBITS        ; xmm4=YOH
+       packssdw  xmm0,xmm4             ; xmm0=YO
+       pxor      xmm3,xmm3
+       pxor      xmm4,xmm4
+       punpcklwd xmm3,xmm1             ; xmm3=ROL
+       punpckhwd xmm4,xmm1             ; xmm4=ROH
+       psrld     xmm3,1                ; xmm3=ROL*FIX(0.500)
+       psrld     xmm4,1                ; xmm4=ROH*FIX(0.500)
+       movdqa    xmm1,[GOTOFF(eax,PD_ONEHALFM1_CJ)] ; xmm1=[PD_ONEHALFM1_CJ]
+       paddd     xmm7,xmm3
+       paddd     xmm5,xmm4
+       paddd     xmm7,xmm1
+       paddd     xmm5,xmm1
+       psrld     xmm7,SCALEBITS        ; xmm7=CrOL
+       psrld     xmm5,SCALEBITS        ; xmm5=CrOH
+       packssdw  xmm7,xmm5             ; xmm7=CrO
+       movdqa    xmm3, XMMWORD [wk(0)] ; xmm3=RE
+       movdqa    xmm4,xmm6
+       punpcklwd xmm6,xmm2
+       punpckhwd xmm4,xmm2
+       movdqa    xmm1,xmm6
+       movdqa    xmm5,xmm4
+       pmaddwd   xmm6,[GOTOFF(eax,PW_F0114_F0250)] ; xmm6=BEL*FIX(0.114)+GEL*FIX(0.250)
+       pmaddwd   xmm4,[GOTOFF(eax,PW_F0114_F0250)] ; xmm4=BEH*FIX(0.114)+GEH*FIX(0.250)
+       pmaddwd   xmm1,[GOTOFF(eax,PW_MF008_MF041)] ; xmm1=BEL*-FIX(0.081)+GEL*-FIX(0.418)
+       pmaddwd   xmm5,[GOTOFF(eax,PW_MF008_MF041)] ; xmm5=BEH*-FIX(0.081)+GEH*-FIX(0.418)
+       movdqa    xmm2,[GOTOFF(eax,PD_ONEHALF)] ; xmm2=[PD_ONEHALF]
+       paddd     xmm6, XMMWORD [wk(6)]
+       paddd     xmm4, XMMWORD [wk(7)]
+       paddd     xmm6,xmm2
+       paddd     xmm4,xmm2
+       psrld     xmm6,SCALEBITS        ; xmm6=YEL
+       psrld     xmm4,SCALEBITS        ; xmm4=YEH
+       packssdw  xmm6,xmm4             ; xmm6=YE
+       psllw     xmm0,BYTE_BIT
+       por       xmm6,xmm0             ; xmm6=Y
+       movdqa    XMMWORD [edi], xmm6   ; Save Y
+       pxor      xmm2,xmm2
+       pxor      xmm4,xmm4
+       punpcklwd xmm2,xmm3             ; xmm2=REL
+       punpckhwd xmm4,xmm3             ; xmm4=REH
+       psrld     xmm2,1                ; xmm2=REL*FIX(0.500)
+       psrld     xmm4,1                ; xmm4=REH*FIX(0.500)
+       movdqa    xmm0,[GOTOFF(eax,PD_ONEHALFM1_CJ)] ; xmm0=[PD_ONEHALFM1_CJ]
+       paddd     xmm1,xmm2
+       paddd     xmm5,xmm4
+       paddd     xmm1,xmm0
+       paddd     xmm5,xmm0
+       psrld     xmm1,SCALEBITS        ; xmm1=CrEL
+       psrld     xmm5,SCALEBITS        ; xmm5=CrEH
+       packssdw  xmm1,xmm5             ; xmm1=CrE
+       psllw     xmm7,BYTE_BIT
+       por       xmm1,xmm7             ; xmm1=Cr
+       movdqa    XMMWORD [edx], xmm1   ; Save Cr
+       sub     ecx, byte SIZEOF_XMMWORD
+       add     esi, byte RGB_PIXELSIZE*SIZEOF_XMMWORD  ; inptr
+       add     edi, byte SIZEOF_XMMWORD                ; outptr0
+       add     ebx, byte SIZEOF_XMMWORD                ; outptr1
+       add     edx, byte SIZEOF_XMMWORD                ; outptr2
+       cmp     ecx, byte SIZEOF_XMMWORD
+       jae     near .columnloop
+       test    ecx,ecx
+       jnz     near .column_ld1
+       pop     ecx                     ; col
+       pop     esi
+       pop     edi
+       pop     ebx
+       pop     edx
+       poppic  eax
+       add     esi, byte SIZEOF_JSAMPROW       ; input_buf
+       add     edi, byte SIZEOF_JSAMPROW
+       add     ebx, byte SIZEOF_JSAMPROW
+       add     edx, byte SIZEOF_JSAMPROW
+       dec     eax                             ; num_rows
+       jg      near .rowloop
+ .return:
+       pop     edi
+       pop     esi
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; need not be preserved
+       pop     ebx
+       mov     esp,ebp         ; esp <- aligned ebp
+       pop     esp             ; esp <- original ebp
+       pop     ebp
+       ret
index 56b6bfd0daa7e17fe26b609c7265c4f1f1d163c1,0000000000000000000000000000000000000000..79751b7c72828bd37679bbcee7e1d7c031d18e6a
mode 100644,000000..100644
--- /dev/null
@@@ -1,73 -1,0 +1,105 @@@
 +;
 +; jcolsamp.inc - private declarations for color conversion & up/downsampling
 +;
 +; Copyright 2009 Pierre Ossman <ossman@cendio.se> for Cendio AB
 +;
 +; Based on
 +; x86 SIMD extension for IJG JPEG library
 +; Copyright (C) 1999-2006, MIYASAKA Masaru.
 +; For conditions of distribution and use, see copyright notice in jsimdext.inc
 +;
 +; [TAB8]
 +
 +; --------------------------------------------------------------------------
 +
 +; pseudo-resisters to make ordering of RGB configurable
 +;
 +%if RGB_RED == 0
 +%define  mmA  mm0
 +%define  mmB  mm1
++%define xmmA xmm0
++%define xmmB xmm1
 +%elif RGB_GREEN == 0
 +%define  mmA  mm2
 +%define  mmB  mm3
++%define xmmA xmm2
++%define xmmB xmm3
 +%elif RGB_BLUE == 0
 +%define  mmA  mm4
 +%define  mmB  mm5
++%define xmmA xmm4
++%define xmmB xmm5
 +%else
 +%define  mmA  mm6
 +%define  mmB  mm7
++%define xmmA xmm6
++%define xmmB xmm7
 +%endif
 +
 +%if RGB_RED == 1
 +%define  mmC  mm0
 +%define  mmD  mm1
++%define xmmC xmm0
++%define xmmD xmm1
 +%elif RGB_GREEN == 1
 +%define  mmC  mm2
 +%define  mmD  mm3
++%define xmmC xmm2
++%define xmmD xmm3
 +%elif RGB_BLUE == 1
 +%define  mmC  mm4
 +%define  mmD  mm5
++%define xmmC xmm4
++%define xmmD xmm5
 +%else
 +%define  mmC  mm6
 +%define  mmD  mm7
++%define xmmC xmm6
++%define xmmD xmm7
 +%endif
 +
 +%if RGB_RED == 2
 +%define  mmE  mm0
 +%define  mmF  mm1
++%define xmmE xmm0
++%define xmmF xmm1
 +%elif RGB_GREEN == 2
 +%define  mmE  mm2
 +%define  mmF  mm3
++%define xmmE xmm2
++%define xmmF xmm3
 +%elif RGB_BLUE == 2
 +%define  mmE  mm4
 +%define  mmF  mm5
++%define xmmE xmm4
++%define xmmF xmm5
 +%else
 +%define  mmE  mm6
 +%define  mmF  mm7
++%define xmmE xmm6
++%define xmmF xmm7
 +%endif
 +
 +%if RGB_RED == 3
 +%define  mmG  mm0
 +%define  mmH  mm1
++%define xmmG xmm0
++%define xmmH xmm1
 +%elif RGB_GREEN == 3
 +%define  mmG  mm2
 +%define  mmH  mm3
++%define xmmG xmm2
++%define xmmH xmm3
 +%elif RGB_BLUE == 3
 +%define  mmG  mm4
 +%define  mmH  mm5
++%define xmmG xmm4
++%define xmmH xmm5
 +%else
 +%define  mmG  mm6
 +%define  mmH  mm7
++%define xmmG xmm6
++%define xmmH xmm7
 +%endif
 +
 +; --------------------------------------------------------------------------
index 0000000000000000000000000000000000000000,faf663e33002136ffd02a5f500325a27c28d9f26..eef547a602716129c0921dfcfe2410246f6c397b
mode 000000,100644..100644
--- /dev/null
@@@ -1,0 -1,178 +1,168 @@@
 -; Last Modified : January 18, 2005
 -;
+ ;
+ ; jcqnts2f.asm - sample data conversion and quantization (SSE & SSE2)
+ ;
++; Copyright 2009 Pierre Ossman <ossman@cendio.se> for Cendio AB
++;
++; Based on
+ ; x86 SIMD extension for IJG JPEG library
+ ; Copyright (C) 1999-2006, MIYASAKA Masaru.
+ ; For conditions of distribution and use, see copyright notice in jsimdext.inc
+ ;
+ ; This file should be assembled with NASM (Netwide Assembler),
+ ; can *not* be assembled with Microsoft's MASM or any compatible
+ ; assembler (including Borland's Turbo Assembler).
+ ; NASM is available from http://nasm.sourceforge.net/ or
+ ; http://sourceforge.net/project/showfiles.php?group_id=6208
+ ;
 -%include "jsimdext.inc"
 -%include "jdct.inc"
 -
 -%ifdef DCT_FLOAT_SUPPORTED
 -%ifdef JFDCT_FLT_SSE_SSE2_SUPPORTED
 -
 -; This module is specialized to the case DCTSIZE = 8.
 -;
 -%if DCTSIZE != 8
 -%error "Sorry, this code only copes with 8x8 DCTs."
 -%endif
+ ; [TAB8]
 -; jpeg_convsamp_flt_sse2 (JSAMPARRAY sample_data, JDIMENSION start_col,
 -;                         FAST_FLOAT * workspace);
++%include "simd/jsimdext.inc"
++%include "simd/jdct.inc"
+ ; --------------------------------------------------------------------------
+       SECTION SEG_TEXT
+       BITS    32
+ ;
+ ; Load data into workspace, applying unsigned->signed conversion
+ ;
+ ; GLOBAL(void)
 -      global  EXTN(jpeg_convsamp_flt_sse2)
++; jsimd_convsamp_float_sse2 (JSAMPARRAY sample_data, JDIMENSION start_col,
++;                            FAST_FLOAT * workspace);
+ ;
+ %define sample_data   ebp+8           ; JSAMPARRAY sample_data
+ %define start_col     ebp+12          ; JDIMENSION start_col
+ %define workspace     ebp+16          ; FAST_FLOAT * workspace
+       align   16
 -EXTN(jpeg_convsamp_flt_sse2):
++      global  EXTN(jsimd_convsamp_float_sse2)
 -      movq    xmm0, _MMWORD [ebx+eax*SIZEOF_JSAMPLE]
 -      movq    xmm1, _MMWORD [edx+eax*SIZEOF_JSAMPLE]
++EXTN(jsimd_convsamp_float_sse2):
+       push    ebp
+       mov     ebp,esp
+       push    ebx
+ ;     push    ecx             ; need not be preserved
+ ;     push    edx             ; need not be preserved
+       push    esi
+       push    edi
+       pcmpeqw  xmm7,xmm7
+       psllw    xmm7,7
+       packsswb xmm7,xmm7              ; xmm7 = PB_CENTERJSAMPLE (0x808080..)
+       mov     esi, JSAMPARRAY [sample_data]   ; (JSAMPROW *)
+       mov     eax, JDIMENSION [start_col]
+       mov     edi, POINTER [workspace]        ; (DCTELEM *)
+       mov     ecx, DCTSIZE/2
+       alignx  16,7
+ .convloop:
+       mov     ebx, JSAMPROW [esi+0*SIZEOF_JSAMPROW]   ; (JSAMPLE *)
+       mov     edx, JSAMPROW [esi+1*SIZEOF_JSAMPROW]   ; (JSAMPLE *)
 -; jpeg_quantize_flt_sse2 (JCOEFPTR coef_block, FAST_FLOAT * divisors,
++      movq    xmm0, XMM_MMWORD [ebx+eax*SIZEOF_JSAMPLE]
++      movq    xmm1, XMM_MMWORD [edx+eax*SIZEOF_JSAMPLE]
+       psubb   xmm0,xmm7                       ; xmm0=(01234567)
+       psubb   xmm1,xmm7                       ; xmm1=(89ABCDEF)
+       punpcklbw xmm0,xmm0                     ; xmm0=(*0*1*2*3*4*5*6*7)
+       punpcklbw xmm1,xmm1                     ; xmm1=(*8*9*A*B*C*D*E*F)
+       punpcklwd xmm2,xmm0                     ; xmm2=(***0***1***2***3)
+       punpckhwd xmm0,xmm0                     ; xmm0=(***4***5***6***7)
+       punpcklwd xmm3,xmm1                     ; xmm3=(***8***9***A***B)
+       punpckhwd xmm1,xmm1                     ; xmm1=(***C***D***E***F)
+       psrad     xmm2,(DWORD_BIT-BYTE_BIT)     ; xmm2=(0123)
+       psrad     xmm0,(DWORD_BIT-BYTE_BIT)     ; xmm0=(4567)
+       cvtdq2ps  xmm2,xmm2                     ; xmm2=(0123)
+       cvtdq2ps  xmm0,xmm0                     ; xmm0=(4567)
+       psrad     xmm3,(DWORD_BIT-BYTE_BIT)     ; xmm3=(89AB)
+       psrad     xmm1,(DWORD_BIT-BYTE_BIT)     ; xmm1=(CDEF)
+       cvtdq2ps  xmm3,xmm3                     ; xmm3=(89AB)
+       cvtdq2ps  xmm1,xmm1                     ; xmm1=(CDEF)
+       movaps  XMMWORD [XMMBLOCK(0,0,edi,SIZEOF_FAST_FLOAT)], xmm2
+       movaps  XMMWORD [XMMBLOCK(0,1,edi,SIZEOF_FAST_FLOAT)], xmm0
+       movaps  XMMWORD [XMMBLOCK(1,0,edi,SIZEOF_FAST_FLOAT)], xmm3
+       movaps  XMMWORD [XMMBLOCK(1,1,edi,SIZEOF_FAST_FLOAT)], xmm1
+       add     esi, byte 2*SIZEOF_JSAMPROW
+       add     edi, byte 2*DCTSIZE*SIZEOF_FAST_FLOAT
+       dec     ecx
+       jnz     short .convloop
+       pop     edi
+       pop     esi
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; need not be preserved
+       pop     ebx
+       pop     ebp
+       ret
+ ; --------------------------------------------------------------------------
+ ;
+ ; Quantize/descale the coefficients, and store into coef_block
+ ;
+ ; GLOBAL(void)
 -      global  EXTN(jpeg_quantize_flt_sse2)
++; jsimd_quantize_float_sse2 (JCOEFPTR coef_block, FAST_FLOAT * divisors,
+ ;                         FAST_FLOAT * workspace);
+ ;
+ %define coef_block    ebp+8           ; JCOEFPTR coef_block
+ %define divisors      ebp+12          ; FAST_FLOAT * divisors
+ %define workspace     ebp+16          ; FAST_FLOAT * workspace
+       align   16
 -EXTN(jpeg_quantize_flt_sse2):
++      global  EXTN(jsimd_quantize_float_sse2)
 -%endif ; JFDCT_FLT_SSE_SSE2_SUPPORTED
 -%endif ; DCT_FLOAT_SUPPORTED
++EXTN(jsimd_quantize_float_sse2):
+       push    ebp
+       mov     ebp,esp
+ ;     push    ebx             ; unused
+ ;     push    ecx             ; unused
+ ;     push    edx             ; need not be preserved
+       push    esi
+       push    edi
+       mov     esi, POINTER [workspace]
+       mov     edx, POINTER [divisors]
+       mov     edi, JCOEFPTR [coef_block]
+       mov     eax, DCTSIZE2/16
+       alignx  16,7
+ .quantloop:
+       movaps  xmm0, XMMWORD [XMMBLOCK(0,0,esi,SIZEOF_FAST_FLOAT)]
+       movaps  xmm1, XMMWORD [XMMBLOCK(0,1,esi,SIZEOF_FAST_FLOAT)]
+       mulps   xmm0, XMMWORD [XMMBLOCK(0,0,edx,SIZEOF_FAST_FLOAT)]
+       mulps   xmm1, XMMWORD [XMMBLOCK(0,1,edx,SIZEOF_FAST_FLOAT)]
+       movaps  xmm2, XMMWORD [XMMBLOCK(1,0,esi,SIZEOF_FAST_FLOAT)]
+       movaps  xmm3, XMMWORD [XMMBLOCK(1,1,esi,SIZEOF_FAST_FLOAT)]
+       mulps   xmm2, XMMWORD [XMMBLOCK(1,0,edx,SIZEOF_FAST_FLOAT)]
+       mulps   xmm3, XMMWORD [XMMBLOCK(1,1,edx,SIZEOF_FAST_FLOAT)]
+       cvtps2dq xmm0,xmm0
+       cvtps2dq xmm1,xmm1
+       cvtps2dq xmm2,xmm2
+       cvtps2dq xmm3,xmm3
+       packssdw xmm0,xmm1
+       packssdw xmm2,xmm3
+       movdqa  XMMWORD [XMMBLOCK(0,0,edi,SIZEOF_JCOEF)], xmm0
+       movdqa  XMMWORD [XMMBLOCK(1,0,edi,SIZEOF_JCOEF)], xmm2
+       add     esi, byte 16*SIZEOF_FAST_FLOAT
+       add     edx, byte 16*SIZEOF_FAST_FLOAT
+       add     edi, byte 16*SIZEOF_JCOEF
+       dec     eax
+       jnz     short .quantloop
+       pop     edi
+       pop     esi
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; unused
+ ;     pop     ebx             ; unused
+       pop     ebp
+       ret
index 0000000000000000000000000000000000000000,71bae2c6efa201ecde47552eaf06781c1be654df..7414e41ac62e34e7cb7f70d909392a7d91348f04
mode 000000,100644..100644
--- /dev/null
@@@ -1,0 -1,216 +1,197 @@@
 -; Last Modified : January 27, 2005
 -;
+ ;
+ ; jcqnts2i.asm - sample data conversion and quantization (SSE2)
+ ;
++; Copyright 2009 Pierre Ossman <ossman@cendio.se> for Cendio AB
++;
++; Based on
+ ; x86 SIMD extension for IJG JPEG library
+ ; Copyright (C) 1999-2006, MIYASAKA Masaru.
+ ; For conditions of distribution and use, see copyright notice in jsimdext.inc
+ ;
+ ; This file should be assembled with NASM (Netwide Assembler),
+ ; can *not* be assembled with Microsoft's MASM or any compatible
+ ; assembler (including Borland's Turbo Assembler).
+ ; NASM is available from http://nasm.sourceforge.net/ or
+ ; http://sourceforge.net/project/showfiles.php?group_id=6208
+ ;
 -%include "jsimdext.inc"
 -%include "jdct.inc"
 -
 -%ifdef JFDCT_INT_SSE2_SUPPORTED
 -
 -; This module is specialized to the case DCTSIZE = 8.
 -;
 -%if DCTSIZE != 8
 -%error "Sorry, this code only copes with 8x8 DCTs."
 -%endif
+ ; [TAB8]
 -; jpeg_convsamp_int_sse2 (JSAMPARRAY sample_data, JDIMENSION start_col,
 -;                         DCTELEM * workspace);
++%include "simd/jsimdext.inc"
++%include "simd/jdct.inc"
+ ; --------------------------------------------------------------------------
+       SECTION SEG_TEXT
+       BITS    32
+ ;
+ ; Load data into workspace, applying unsigned->signed conversion
+ ;
+ ; GLOBAL(void)
 -      global  EXTN(jpeg_convsamp_int_sse2)
++; jsimd_convsamp_sse2 (JSAMPARRAY sample_data, JDIMENSION start_col,
++;                      DCTELEM * workspace);
+ ;
+ %define sample_data   ebp+8           ; JSAMPARRAY sample_data
+ %define start_col     ebp+12          ; JDIMENSION start_col
+ %define workspace     ebp+16          ; DCTELEM * workspace
+       align   16
 -EXTN(jpeg_convsamp_int_sse2):
++      global  EXTN(jsimd_convsamp_sse2)
 -      movq    xmm0, _MMWORD [ebx+eax*SIZEOF_JSAMPLE]  ; xmm0=(01234567)
 -      movq    xmm1, _MMWORD [edx+eax*SIZEOF_JSAMPLE]  ; xmm1=(89ABCDEF)
++EXTN(jsimd_convsamp_sse2):
+       push    ebp
+       mov     ebp,esp
+       push    ebx
+ ;     push    ecx             ; need not be preserved
+ ;     push    edx             ; need not be preserved
+       push    esi
+       push    edi
+       pxor    xmm6,xmm6               ; xmm6=(all 0's)
+       pcmpeqw xmm7,xmm7
+       psllw   xmm7,7                  ; xmm7={0xFF80 0xFF80 0xFF80 0xFF80 ..}
+       mov     esi, JSAMPARRAY [sample_data]   ; (JSAMPROW *)
+       mov     eax, JDIMENSION [start_col]
+       mov     edi, POINTER [workspace]        ; (DCTELEM *)
+       mov     ecx, DCTSIZE/4
+       alignx  16,7
+ .convloop:
+       mov     ebx, JSAMPROW [esi+0*SIZEOF_JSAMPROW]   ; (JSAMPLE *)
+       mov     edx, JSAMPROW [esi+1*SIZEOF_JSAMPROW]   ; (JSAMPLE *)
 -      movq    xmm2, _MMWORD [ebx+eax*SIZEOF_JSAMPLE]  ; xmm2=(GHIJKLMN)
 -      movq    xmm3, _MMWORD [edx+eax*SIZEOF_JSAMPLE]  ; xmm3=(OPQRSTUV)
++      movq    xmm0, XMM_MMWORD [ebx+eax*SIZEOF_JSAMPLE]       ; xmm0=(01234567)
++      movq    xmm1, XMM_MMWORD [edx+eax*SIZEOF_JSAMPLE]       ; xmm1=(89ABCDEF)
+       mov     ebx, JSAMPROW [esi+2*SIZEOF_JSAMPROW]   ; (JSAMPLE *)
+       mov     edx, JSAMPROW [esi+3*SIZEOF_JSAMPROW]   ; (JSAMPLE *)
 -%ifndef JFDCT_INT_QUANTIZE_WITH_DIVISION
 -
++      movq    xmm2, XMM_MMWORD [ebx+eax*SIZEOF_JSAMPLE]       ; xmm2=(GHIJKLMN)
++      movq    xmm3, XMM_MMWORD [edx+eax*SIZEOF_JSAMPLE]       ; xmm3=(OPQRSTUV)
+       punpcklbw xmm0,xmm6             ; xmm0=(01234567)
+       punpcklbw xmm1,xmm6             ; xmm1=(89ABCDEF)
+       paddw     xmm0,xmm7
+       paddw     xmm1,xmm7
+       punpcklbw xmm2,xmm6             ; xmm2=(GHIJKLMN)
+       punpcklbw xmm3,xmm6             ; xmm3=(OPQRSTUV)
+       paddw     xmm2,xmm7
+       paddw     xmm3,xmm7
+       movdqa  XMMWORD [XMMBLOCK(0,0,edi,SIZEOF_DCTELEM)], xmm0
+       movdqa  XMMWORD [XMMBLOCK(1,0,edi,SIZEOF_DCTELEM)], xmm1
+       movdqa  XMMWORD [XMMBLOCK(2,0,edi,SIZEOF_DCTELEM)], xmm2
+       movdqa  XMMWORD [XMMBLOCK(3,0,edi,SIZEOF_DCTELEM)], xmm3
+       add     esi, byte 4*SIZEOF_JSAMPROW
+       add     edi, byte 4*DCTSIZE*SIZEOF_DCTELEM
+       dec     ecx
+       jnz     short .convloop
+       pop     edi
+       pop     esi
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; need not be preserved
+       pop     ebx
+       pop     ebp
+       ret
 -; jpeg_quantize_int_sse2 (JCOEFPTR coef_block, DCTELEM * divisors,
 -;                         DCTELEM * workspace);
+ ; --------------------------------------------------------------------------
+ ;
+ ; Quantize/descale the coefficients, and store into coef_block
+ ;
+ ; This implementation is based on an algorithm described in
+ ;   "How to optimize for the Pentium family of microprocessors"
+ ;   (http://www.agner.org/assem/).
+ ;
+ ; GLOBAL(void)
 -      global  EXTN(jpeg_quantize_int_sse2)
++; jsimd_quantize_sse2 (JCOEFPTR coef_block, DCTELEM * divisors,
++;                      DCTELEM * workspace);
+ ;
+ %define RECIPROCAL(m,n,b) XMMBLOCK(DCTSIZE*0+(m),(n),(b),SIZEOF_DCTELEM)
+ %define CORRECTION(m,n,b) XMMBLOCK(DCTSIZE*1+(m),(n),(b),SIZEOF_DCTELEM)
+ %define SCALE(m,n,b)      XMMBLOCK(DCTSIZE*2+(m),(n),(b),SIZEOF_DCTELEM)
+ %define coef_block    ebp+8           ; JCOEFPTR coef_block
+ %define divisors      ebp+12          ; DCTELEM * divisors
+ %define workspace     ebp+16          ; DCTELEM * workspace
+       align   16
 -EXTN(jpeg_quantize_int_sse2):
++      global  EXTN(jsimd_quantize_sse2)
 -      psllw   xmm0,1
 -      psllw   xmm1,1
 -      psllw   xmm2,1
 -      psllw   xmm3,1
++EXTN(jsimd_quantize_sse2):
+       push    ebp
+       mov     ebp,esp
+ ;     push    ebx             ; unused
+ ;     push    ecx             ; unused
+ ;     push    edx             ; need not be preserved
+       push    esi
+       push    edi
+       mov     esi, POINTER [workspace]
+       mov     edx, POINTER [divisors]
+       mov     edi, JCOEFPTR [coef_block]
+       mov     eax, DCTSIZE2/32
+       alignx  16,7
+ .quantloop:
+       movdqa  xmm4, XMMWORD [XMMBLOCK(0,0,esi,SIZEOF_DCTELEM)]
+       movdqa  xmm5, XMMWORD [XMMBLOCK(1,0,esi,SIZEOF_DCTELEM)]
+       movdqa  xmm6, XMMWORD [XMMBLOCK(2,0,esi,SIZEOF_DCTELEM)]
+       movdqa  xmm7, XMMWORD [XMMBLOCK(3,0,esi,SIZEOF_DCTELEM)]
+       movdqa  xmm0,xmm4
+       movdqa  xmm1,xmm5
+       movdqa  xmm2,xmm6
+       movdqa  xmm3,xmm7
+       psraw   xmm4,(WORD_BIT-1)
+       psraw   xmm5,(WORD_BIT-1)
+       psraw   xmm6,(WORD_BIT-1)
+       psraw   xmm7,(WORD_BIT-1)
+       pxor    xmm0,xmm4
+       pxor    xmm1,xmm5
+       pxor    xmm2,xmm6
+       pxor    xmm3,xmm7
+       psubw   xmm0,xmm4               ; if (xmm0 < 0) xmm0 = -xmm0;
+       psubw   xmm1,xmm5               ; if (xmm1 < 0) xmm1 = -xmm1;
+       psubw   xmm2,xmm6               ; if (xmm2 < 0) xmm2 = -xmm2;
+       psubw   xmm3,xmm7               ; if (xmm3 < 0) xmm3 = -xmm3;
+       paddw   xmm0, XMMWORD [CORRECTION(0,0,edx)]  ; correction + roundfactor
+       paddw   xmm1, XMMWORD [CORRECTION(1,0,edx)]
+       paddw   xmm2, XMMWORD [CORRECTION(2,0,edx)]
+       paddw   xmm3, XMMWORD [CORRECTION(3,0,edx)]
 -      psllw   xmm0,1
 -      psllw   xmm1,1
 -      psllw   xmm2,1
 -      psllw   xmm3,1
+       pmulhuw xmm0, XMMWORD [RECIPROCAL(0,0,edx)]  ; reciprocal
+       pmulhuw xmm1, XMMWORD [RECIPROCAL(1,0,edx)]
+       pmulhuw xmm2, XMMWORD [RECIPROCAL(2,0,edx)]
+       pmulhuw xmm3, XMMWORD [RECIPROCAL(3,0,edx)]
 -%endif ; !JFDCT_INT_QUANTIZE_WITH_DIVISION
 -%endif ; JFDCT_INT_SSE2_SUPPORTED
+       pmulhuw xmm0, XMMWORD [SCALE(0,0,edx)]  ; scale
+       pmulhuw xmm1, XMMWORD [SCALE(1,0,edx)]
+       pmulhuw xmm2, XMMWORD [SCALE(2,0,edx)]
+       pmulhuw xmm3, XMMWORD [SCALE(3,0,edx)]
+       pxor    xmm0,xmm4
+       pxor    xmm1,xmm5
+       pxor    xmm2,xmm6
+       pxor    xmm3,xmm7
+       psubw   xmm0,xmm4
+       psubw   xmm1,xmm5
+       psubw   xmm2,xmm6
+       psubw   xmm3,xmm7
+       movdqa  XMMWORD [XMMBLOCK(0,0,edi,SIZEOF_DCTELEM)], xmm0
+       movdqa  XMMWORD [XMMBLOCK(1,0,edi,SIZEOF_DCTELEM)], xmm1
+       movdqa  XMMWORD [XMMBLOCK(2,0,edi,SIZEOF_DCTELEM)], xmm2
+       movdqa  XMMWORD [XMMBLOCK(3,0,edi,SIZEOF_DCTELEM)], xmm3
+       add     esi, byte 32*SIZEOF_DCTELEM
+       add     edx, byte 32*SIZEOF_DCTELEM
+       add     edi, byte 32*SIZEOF_JCOEF
+       dec     eax
+       jnz     near .quantloop
+       pop     edi
+       pop     esi
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; unused
+ ;     pop     ebx             ; unused
+       pop     ebp
+       ret
index 0000000000000000000000000000000000000000,e187d6374b8b4d546d733fb1c2e98c7c0f46ee09..ec2df9aef04d1f1e07da12fb103973398ee9c6b5
mode 000000,100644..100644
--- /dev/null
@@@ -1,0 -1,355 +1,348 @@@
 -; Last Modified : January 23, 2006
 -;
+ ;
+ ; jcsamss2.asm - downsampling (SSE2)
+ ;
++; Copyright 2009 Pierre Ossman <ossman@cendio.se> for Cendio AB
++;
++; Based on
+ ; x86 SIMD extension for IJG JPEG library
+ ; Copyright (C) 1999-2006, MIYASAKA Masaru.
+ ; For conditions of distribution and use, see copyright notice in jsimdext.inc
+ ;
+ ; This file should be assembled with NASM (Netwide Assembler),
+ ; can *not* be assembled with Microsoft's MASM or any compatible
+ ; assembler (including Borland's Turbo Assembler).
+ ; NASM is available from http://nasm.sourceforge.net/ or
+ ; http://sourceforge.net/project/showfiles.php?group_id=6208
+ ;
 -%include "jsimdext.inc"
 -%include "jcolsamp.inc"
 -
 -%ifdef JCSAMPLE_SSE2_SUPPORTED
+ ; [TAB8]
 -; jpeg_h2v1_downsample_sse2 (j_compress_ptr cinfo,
 -;                            jpeg_component_info * compptr,
 -;                            JSAMPARRAY input_data, JSAMPARRAY output_data);
++%include "simd/jsimdext.inc"
+ ; --------------------------------------------------------------------------
+       SECTION SEG_TEXT
+       BITS    32
+ ;
+ ; Downsample pixel values of a single component.
+ ; This version handles the common case of 2:1 horizontal and 1:1 vertical,
+ ; without smoothing.
+ ;
+ ; GLOBAL(void)
 -%define cinfo(b)      (b)+8           ; j_compress_ptr cinfo
 -%define compptr(b)    (b)+12          ; jpeg_component_info * compptr
 -%define input_data(b) (b)+16          ; JSAMPARRAY input_data
 -%define output_data(b)        (b)+20          ; JSAMPARRAY output_data
++; jsimd_h2v1_downsample_sse2 (JDIMENSION image_width, int max_v_samp_factor,
++;                             JDIMENSION v_samp_factor, JDIMENSION width_blocks,
++;                             JSAMPARRAY input_data, JSAMPARRAY output_data);
+ ;
 -      global  EXTN(jpeg_h2v1_downsample_sse2)
++%define img_width(b)  (b)+8                   ; JDIMENSION image_width
++%define max_v_samp(b) (b)+12          ; int max_v_samp_factor
++%define v_samp(b)                     (b)+16          ; JDIMENSION v_samp_factor
++%define width_blks(b) (b)+20          ; JDIMENSION width_blocks
++%define input_data(b) (b)+24          ; JSAMPARRAY input_data
++%define output_data(b)        (b)+28          ; JSAMPARRAY output_data
+       align   16
 -EXTN(jpeg_h2v1_downsample_sse2):
++      global  EXTN(jsimd_h2v1_downsample_sse2)
 -      mov     ecx, POINTER [compptr(ebp)]
 -      mov     ecx, JDIMENSION [jcompinfo_width_in_blocks(ecx)]
++EXTN(jsimd_h2v1_downsample_sse2):
+       push    ebp
+       mov     ebp,esp
+ ;     push    ebx             ; unused
+ ;     push    ecx             ; need not be preserved
+ ;     push    edx             ; need not be preserved
+       push    esi
+       push    edi
 -      mov     edx, POINTER [cinfo(ebp)]
 -      mov     edx, JDIMENSION [jcstruct_image_width(edx)]
++      mov     ecx, JDIMENSION [width_blks(ebp)]
+       shl     ecx,3                   ; imul ecx,DCTSIZE (ecx = output_cols)
+       jz      near .return
 -      mov     eax, POINTER [cinfo(ebp)]
 -      mov     eax, INT [jcstruct_max_v_samp_factor(eax)]
++      mov     edx, JDIMENSION [img_width(ebp)]
+       ; -- expand_right_edge
+       push    ecx
+       shl     ecx,1                           ; output_cols * 2
+       sub     ecx,edx
+       jle     short .expand_end
 -      mov     eax, POINTER [compptr(ebp)]
 -      mov     eax, JDIMENSION [jcompinfo_v_samp_factor(eax)]  ; rowctr
++      mov     eax, INT [max_v_samp(ebp)]
+       test    eax,eax
+       jle     short .expand_end
+       cld
+       mov     esi, JSAMPARRAY [input_data(ebp)]       ; input_data
+       alignx  16,7
+ .expandloop:
+       push    eax
+       push    ecx
+       mov     edi, JSAMPROW [esi]
+       add     edi,edx
+       mov     al, JSAMPLE [edi-1]
+       rep stosb
+       pop     ecx
+       pop     eax
+       add     esi, byte SIZEOF_JSAMPROW
+       dec     eax
+       jg      short .expandloop
+ .expand_end:
+       pop     ecx                             ; output_cols
+       ; -- h2v1_downsample
 -; jpeg_h2v2_downsample_sse2 (j_compress_ptr cinfo,
 -;                            jpeg_component_info * compptr,
 -;                            JSAMPARRAY input_data, JSAMPARRAY output_data);
++      mov     eax, JDIMENSION [v_samp(ebp)]   ; rowctr
+       test    eax,eax
+       jle     near .return
+       mov     edx, 0x00010000         ; bias pattern
+       movd    xmm7,edx
+       pcmpeqw xmm6,xmm6
+       pshufd  xmm7,xmm7,0x00          ; xmm7={0, 1, 0, 1, 0, 1, 0, 1}
+       psrlw   xmm6,BYTE_BIT           ; xmm6={0xFF 0x00 0xFF 0x00 ..}
+       mov     esi, JSAMPARRAY [input_data(ebp)]       ; input_data
+       mov     edi, JSAMPARRAY [output_data(ebp)]      ; output_data
+       alignx  16,7
+ .rowloop:
+       push    ecx
+       push    edi
+       push    esi
+       mov     esi, JSAMPROW [esi]             ; inptr
+       mov     edi, JSAMPROW [edi]             ; outptr
+       cmp     ecx, byte SIZEOF_XMMWORD
+       jae     short .columnloop
+       alignx  16,7
+ .columnloop_r8:
+       movdqa  xmm0, XMMWORD [esi+0*SIZEOF_XMMWORD]
+       pxor    xmm1,xmm1
+       mov     ecx, SIZEOF_XMMWORD
+       jmp     short .downsample
+       alignx  16,7
+ .columnloop:
+       movdqa  xmm0, XMMWORD [esi+0*SIZEOF_XMMWORD]
+       movdqa  xmm1, XMMWORD [esi+1*SIZEOF_XMMWORD]
+ .downsample:
+       movdqa  xmm2,xmm0
+       movdqa  xmm3,xmm1
+       pand    xmm0,xmm6
+       psrlw   xmm2,BYTE_BIT
+       pand    xmm1,xmm6
+       psrlw   xmm3,BYTE_BIT
+       paddw   xmm0,xmm2
+       paddw   xmm1,xmm3
+       paddw   xmm0,xmm7
+       paddw   xmm1,xmm7
+       psrlw   xmm0,1
+       psrlw   xmm1,1
+       packuswb xmm0,xmm1
+       movdqa  XMMWORD [edi+0*SIZEOF_XMMWORD], xmm0
+       sub     ecx, byte SIZEOF_XMMWORD        ; outcol
+       add     esi, byte 2*SIZEOF_XMMWORD      ; inptr
+       add     edi, byte 1*SIZEOF_XMMWORD      ; outptr
+       cmp     ecx, byte SIZEOF_XMMWORD
+       jae     short .columnloop
+       test    ecx,ecx
+       jnz     short .columnloop_r8
+       pop     esi
+       pop     edi
+       pop     ecx
+       add     esi, byte SIZEOF_JSAMPROW       ; input_data
+       add     edi, byte SIZEOF_JSAMPROW       ; output_data
+       dec     eax                             ; rowctr
+       jg      near .rowloop
+ .return:
+       pop     edi
+       pop     esi
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; need not be preserved
+ ;     pop     ebx             ; unused
+       pop     ebp
+       ret
+ ; --------------------------------------------------------------------------
+ ;
+ ; Downsample pixel values of a single component.
+ ; This version handles the standard case of 2:1 horizontal and 2:1 vertical,
+ ; without smoothing.
+ ;
+ ; GLOBAL(void)
 -%define cinfo(b)      (b)+8           ; j_compress_ptr cinfo
 -%define compptr(b)    (b)+12          ; jpeg_component_info * compptr
 -%define input_data(b) (b)+16          ; JSAMPARRAY input_data
 -%define output_data(b)        (b)+20          ; JSAMPARRAY output_data
++; jsimd_h2v2_downsample_sse2 (JDIMENSION image_width, int max_v_samp_factor,
++;                             JDIMENSION v_samp_factor, JDIMENSION width_blocks,
++;                             JSAMPARRAY input_data, JSAMPARRAY output_data);
+ ;
 -      global  EXTN(jpeg_h2v2_downsample_sse2)
++%define img_width(b)  (b)+8                   ; JDIMENSION image_width
++%define max_v_samp(b) (b)+12          ; int max_v_samp_factor
++%define v_samp(b)                     (b)+16          ; JDIMENSION v_samp_factor
++%define width_blks(b) (b)+20          ; JDIMENSION width_blocks
++%define input_data(b) (b)+24          ; JSAMPARRAY input_data
++%define output_data(b)        (b)+28  ; JSAMPARRAY output_data
+       align   16
 -EXTN(jpeg_h2v2_downsample_sse2):
++      global  EXTN(jsimd_h2v2_downsample_sse2)
 -      mov     ecx, POINTER [compptr(ebp)]
 -      mov     ecx, JDIMENSION [jcompinfo_width_in_blocks(ecx)]
++EXTN(jsimd_h2v2_downsample_sse2):
+       push    ebp
+       mov     ebp,esp
+ ;     push    ebx             ; unused
+ ;     push    ecx             ; need not be preserved
+ ;     push    edx             ; need not be preserved
+       push    esi
+       push    edi
 -      mov     edx, POINTER [cinfo(ebp)]
 -      mov     edx, JDIMENSION [jcstruct_image_width(edx)]
++      mov     ecx, JDIMENSION [width_blks(ebp)]
+       shl     ecx,3                   ; imul ecx,DCTSIZE (ecx = output_cols)
+       jz      near .return
 -      mov     eax, POINTER [cinfo(ebp)]
 -      mov     eax, INT [jcstruct_max_v_samp_factor(eax)]
++      mov     edx, JDIMENSION [img_width(ebp)]
+       ; -- expand_right_edge
+       push    ecx
+       shl     ecx,1                           ; output_cols * 2
+       sub     ecx,edx
+       jle     short .expand_end
 -      mov     eax, POINTER [compptr(ebp)]
 -      mov     eax, JDIMENSION [jcompinfo_v_samp_factor(eax)]  ; rowctr
++      mov     eax, INT [max_v_samp(ebp)]
+       test    eax,eax
+       jle     short .expand_end
+       cld
+       mov     esi, JSAMPARRAY [input_data(ebp)]       ; input_data
+       alignx  16,7
+ .expandloop:
+       push    eax
+       push    ecx
+       mov     edi, JSAMPROW [esi]
+       add     edi,edx
+       mov     al, JSAMPLE [edi-1]
+       rep stosb
+       pop     ecx
+       pop     eax
+       add     esi, byte SIZEOF_JSAMPROW
+       dec     eax
+       jg      short .expandloop
+ .expand_end:
+       pop     ecx                             ; output_cols
+       ; -- h2v2_downsample
 -%endif ; JCSAMPLE_SSE2_SUPPORTED
++      mov     eax, JDIMENSION [v_samp(ebp)]   ; rowctr
+       test    eax,eax
+       jle     near .return
+       mov     edx, 0x00020001         ; bias pattern
+       movd    xmm7,edx
+       pcmpeqw xmm6,xmm6
+       pshufd  xmm7,xmm7,0x00          ; xmm7={1, 2, 1, 2, 1, 2, 1, 2}
+       psrlw   xmm6,BYTE_BIT           ; xmm6={0xFF 0x00 0xFF 0x00 ..}
+       mov     esi, JSAMPARRAY [input_data(ebp)]       ; input_data
+       mov     edi, JSAMPARRAY [output_data(ebp)]      ; output_data
+       alignx  16,7
+ .rowloop:
+       push    ecx
+       push    edi
+       push    esi
+       mov     edx, JSAMPROW [esi+0*SIZEOF_JSAMPROW]   ; inptr0
+       mov     esi, JSAMPROW [esi+1*SIZEOF_JSAMPROW]   ; inptr1
+       mov     edi, JSAMPROW [edi]                     ; outptr
+       cmp     ecx, byte SIZEOF_XMMWORD
+       jae     short .columnloop
+       alignx  16,7
+ .columnloop_r8:
+       movdqa  xmm0, XMMWORD [edx+0*SIZEOF_XMMWORD]
+       movdqa  xmm1, XMMWORD [esi+0*SIZEOF_XMMWORD]
+       pxor    xmm2,xmm2
+       pxor    xmm3,xmm3
+       mov     ecx, SIZEOF_XMMWORD
+       jmp     short .downsample
+       alignx  16,7
+ .columnloop:
+       movdqa  xmm0, XMMWORD [edx+0*SIZEOF_XMMWORD]
+       movdqa  xmm1, XMMWORD [esi+0*SIZEOF_XMMWORD]
+       movdqa  xmm2, XMMWORD [edx+1*SIZEOF_XMMWORD]
+       movdqa  xmm3, XMMWORD [esi+1*SIZEOF_XMMWORD]
+ .downsample:
+       movdqa  xmm4,xmm0
+       movdqa  xmm5,xmm1
+       pand    xmm0,xmm6
+       psrlw   xmm4,BYTE_BIT
+       pand    xmm1,xmm6
+       psrlw   xmm5,BYTE_BIT
+       paddw   xmm0,xmm4
+       paddw   xmm1,xmm5
+       movdqa  xmm4,xmm2
+       movdqa  xmm5,xmm3
+       pand    xmm2,xmm6
+       psrlw   xmm4,BYTE_BIT
+       pand    xmm3,xmm6
+       psrlw   xmm5,BYTE_BIT
+       paddw   xmm2,xmm4
+       paddw   xmm3,xmm5
+       paddw   xmm0,xmm1
+       paddw   xmm2,xmm3
+       paddw   xmm0,xmm7
+       paddw   xmm2,xmm7
+       psrlw   xmm0,2
+       psrlw   xmm2,2
+       packuswb xmm0,xmm2
+       movdqa  XMMWORD [edi+0*SIZEOF_XMMWORD], xmm0
+       sub     ecx, byte SIZEOF_XMMWORD        ; outcol
+       add     edx, byte 2*SIZEOF_XMMWORD      ; inptr0
+       add     esi, byte 2*SIZEOF_XMMWORD      ; inptr1
+       add     edi, byte 1*SIZEOF_XMMWORD      ; outptr
+       cmp     ecx, byte SIZEOF_XMMWORD
+       jae     near .columnloop
+       test    ecx,ecx
+       jnz     near .columnloop_r8
+       pop     esi
+       pop     edi
+       pop     ecx
+       add     esi, byte 2*SIZEOF_JSAMPROW     ; input_data
+       add     edi, byte 1*SIZEOF_JSAMPROW     ; output_data
+       dec     eax                             ; rowctr
+       jg      near .rowloop
+ .return:
+       pop     edi
+       pop     esi
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; need not be preserved
+ ;     pop     ebx             ; unused
+       pop     ebp
+       ret
index 0000000000000000000000000000000000000000,fd6f04d6dbf702c065e3cd367f985de74a618028..3fd591b585a6a0770a906904bb83f39573b18806
mode 000000,100644..100644
--- /dev/null
@@@ -1,0 -1,536 +1,531 @@@
 -; Last Modified : February 4, 2006
 -;
+ ;
+ ; jdcolss2.asm - colorspace conversion (SSE2)
+ ;
++; Copyright 2009 Pierre Ossman <ossman@cendio.se> for Cendio AB
++;
++; Based on
+ ; x86 SIMD extension for IJG JPEG library
+ ; Copyright (C) 1999-2006, MIYASAKA Masaru.
+ ; For conditions of distribution and use, see copyright notice in jsimdext.inc
+ ;
+ ; This file should be assembled with NASM (Netwide Assembler),
+ ; can *not* be assembled with Microsoft's MASM or any compatible
+ ; assembler (including Borland's Turbo Assembler).
+ ; NASM is available from http://nasm.sourceforge.net/ or
+ ; http://sourceforge.net/project/showfiles.php?group_id=6208
+ ;
 -%include "jsimdext.inc"
 -%include "jcolsamp.inc"
 -
 -%if RGB_PIXELSIZE == 3 || RGB_PIXELSIZE == 4
 -%ifdef JDCOLOR_YCCRGB_SSE2_SUPPORTED
+ ; [TAB8]
 -; jpeg_ycc_rgb_convert_sse2 (j_decompress_ptr cinfo,
 -;                            JSAMPIMAGE input_buf, JDIMENSION input_row,
 -;                            JSAMPARRAY output_buf, int num_rows)
++%include "simd/jsimdext.inc"
++%include "simd/jcolsamp.inc"
+ ; --------------------------------------------------------------------------
+ %define SCALEBITS     16
+ F_0_344       equ      22554                  ; FIX(0.34414)
+ F_0_714       equ      46802                  ; FIX(0.71414)
+ F_1_402       equ      91881                  ; FIX(1.40200)
+ F_1_772       equ     116130                  ; FIX(1.77200)
+ F_0_402       equ     (F_1_402 - 65536)       ; FIX(1.40200) - FIX(1)
+ F_0_285       equ     ( 65536 - F_0_714)      ; FIX(1) - FIX(0.71414)
+ F_0_228       equ     (131072 - F_1_772)      ; FIX(2) - FIX(1.77200)
+ ; --------------------------------------------------------------------------
+       SECTION SEG_CONST
+       alignz  16
+       global  EXTN(jconst_ycc_rgb_convert_sse2)
+ EXTN(jconst_ycc_rgb_convert_sse2):
+ PW_F0402      times 8 dw  F_0_402
+ PW_MF0228     times 8 dw -F_0_228
+ PW_MF0344_F0285       times 4 dw -F_0_344, F_0_285
+ PW_ONE                times 8 dw  1
+ PD_ONEHALF    times 4 dd  1 << (SCALEBITS-1)
+       alignz  16
+ ; --------------------------------------------------------------------------
+       SECTION SEG_TEXT
+       BITS    32
+ ;
+ ; Convert some rows of samples to the output colorspace.
+ ;
+ ; GLOBAL(void)
 -%define cinfo(b)      (b)+8           ; j_decompress_ptr cinfo
++; jsimd_ycc_rgb_convert_sse2 (JDIMENSION out_width,
++;                             JSAMPIMAGE input_buf, JDIMENSION input_row,
++;                             JSAMPARRAY output_buf, int num_rows)
+ ;
 -      global  EXTN(jpeg_ycc_rgb_convert_sse2)
++%define out_width(b)  (b)+8                   ; JDIMENSION out_width
+ %define input_buf(b)  (b)+12          ; JSAMPIMAGE input_buf
+ %define input_row(b)  (b)+16          ; JDIMENSION input_row
+ %define output_buf(b) (b)+20          ; JSAMPARRAY output_buf
+ %define num_rows(b)   (b)+24          ; int num_rows
+ %define original_ebp  ebp+0
+ %define wk(i)         ebp-(WK_NUM-(i))*SIZEOF_XMMWORD ; xmmword wk[WK_NUM]
+ %define WK_NUM                2
+ %define gotptr                wk(0)-SIZEOF_POINTER    ; void * gotptr
+       align   16
 -EXTN(jpeg_ycc_rgb_convert_sse2):
++      global  EXTN(jsimd_ycc_rgb_convert_sse2)
 -      mov     ecx, POINTER [cinfo(eax)]
 -      mov     ecx, JDIMENSION [jdstruct_output_width(ecx)]    ; num_cols
++EXTN(jsimd_ycc_rgb_convert_sse2):
+       push    ebp
+       mov     eax,esp                         ; eax = original ebp
+       sub     esp, byte 4
+       and     esp, byte (-SIZEOF_XMMWORD)     ; align to 128 bits
+       mov     [esp],eax
+       mov     ebp,esp                         ; ebp = aligned ebp
+       lea     esp, [wk(0)]
+       pushpic eax             ; make a room for GOT address
+       push    ebx
+ ;     push    ecx             ; need not be preserved
+ ;     push    edx             ; need not be preserved
+       push    esi
+       push    edi
+       get_GOT ebx                     ; get GOT address
+       movpic  POINTER [gotptr], ebx   ; save GOT address
 -%endif ; JDCOLOR_YCCRGB_SSE2_SUPPORTED
 -%endif ; RGB_PIXELSIZE == 3 || RGB_PIXELSIZE == 4
++      mov     ecx, JDIMENSION [out_width(eax)]        ; num_cols
+       test    ecx,ecx
+       jz      near .return
+       push    ecx
+       mov     edi, JSAMPIMAGE [input_buf(eax)]
+       mov     ecx, JDIMENSION [input_row(eax)]
+       mov     esi, JSAMPARRAY [edi+0*SIZEOF_JSAMPARRAY]
+       mov     ebx, JSAMPARRAY [edi+1*SIZEOF_JSAMPARRAY]
+       mov     edx, JSAMPARRAY [edi+2*SIZEOF_JSAMPARRAY]
+       lea     esi, [esi+ecx*SIZEOF_JSAMPROW]
+       lea     ebx, [ebx+ecx*SIZEOF_JSAMPROW]
+       lea     edx, [edx+ecx*SIZEOF_JSAMPROW]
+       pop     ecx
+       mov     edi, JSAMPARRAY [output_buf(eax)]
+       mov     eax, INT [num_rows(eax)]
+       test    eax,eax
+       jle     near .return
+       alignx  16,7
+ .rowloop:
+       push    eax
+       push    edi
+       push    edx
+       push    ebx
+       push    esi
+       push    ecx                     ; col
+       mov     esi, JSAMPROW [esi]     ; inptr0
+       mov     ebx, JSAMPROW [ebx]     ; inptr1
+       mov     edx, JSAMPROW [edx]     ; inptr2
+       mov     edi, JSAMPROW [edi]     ; outptr
+       movpic  eax, POINTER [gotptr]   ; load GOT address (eax)
+       alignx  16,7
+ .columnloop:
+       movdqa  xmm5, XMMWORD [ebx]     ; xmm5=Cb(0123456789ABCDEF)
+       movdqa  xmm1, XMMWORD [edx]     ; xmm1=Cr(0123456789ABCDEF)
+       pcmpeqw xmm4,xmm4
+       pcmpeqw xmm7,xmm7
+       psrlw   xmm4,BYTE_BIT
+       psllw   xmm7,7                  ; xmm7={0xFF80 0xFF80 0xFF80 0xFF80 ..}
+       movdqa  xmm0,xmm4               ; xmm0=xmm4={0xFF 0x00 0xFF 0x00 ..}
+       pand    xmm4,xmm5               ; xmm4=Cb(02468ACE)=CbE
+       psrlw   xmm5,BYTE_BIT           ; xmm5=Cb(13579BDF)=CbO
+       pand    xmm0,xmm1               ; xmm0=Cr(02468ACE)=CrE
+       psrlw   xmm1,BYTE_BIT           ; xmm1=Cr(13579BDF)=CrO
+       paddw   xmm4,xmm7
+       paddw   xmm5,xmm7
+       paddw   xmm0,xmm7
+       paddw   xmm1,xmm7
+       ; (Original)
+       ; R = Y                + 1.40200 * Cr
+       ; G = Y - 0.34414 * Cb - 0.71414 * Cr
+       ; B = Y + 1.77200 * Cb
+       ;
+       ; (This implementation)
+       ; R = Y                + 0.40200 * Cr + Cr
+       ; G = Y - 0.34414 * Cb + 0.28586 * Cr - Cr
+       ; B = Y - 0.22800 * Cb + Cb + Cb
+       movdqa  xmm2,xmm4               ; xmm2=CbE
+       movdqa  xmm3,xmm5               ; xmm3=CbO
+       paddw   xmm4,xmm4               ; xmm4=2*CbE
+       paddw   xmm5,xmm5               ; xmm5=2*CbO
+       movdqa  xmm6,xmm0               ; xmm6=CrE
+       movdqa  xmm7,xmm1               ; xmm7=CrO
+       paddw   xmm0,xmm0               ; xmm0=2*CrE
+       paddw   xmm1,xmm1               ; xmm1=2*CrO
+       pmulhw  xmm4,[GOTOFF(eax,PW_MF0228)]    ; xmm4=(2*CbE * -FIX(0.22800))
+       pmulhw  xmm5,[GOTOFF(eax,PW_MF0228)]    ; xmm5=(2*CbO * -FIX(0.22800))
+       pmulhw  xmm0,[GOTOFF(eax,PW_F0402)]     ; xmm0=(2*CrE * FIX(0.40200))
+       pmulhw  xmm1,[GOTOFF(eax,PW_F0402)]     ; xmm1=(2*CrO * FIX(0.40200))
+       paddw   xmm4,[GOTOFF(eax,PW_ONE)]
+       paddw   xmm5,[GOTOFF(eax,PW_ONE)]
+       psraw   xmm4,1                  ; xmm4=(CbE * -FIX(0.22800))
+       psraw   xmm5,1                  ; xmm5=(CbO * -FIX(0.22800))
+       paddw   xmm0,[GOTOFF(eax,PW_ONE)]
+       paddw   xmm1,[GOTOFF(eax,PW_ONE)]
+       psraw   xmm0,1                  ; xmm0=(CrE * FIX(0.40200))
+       psraw   xmm1,1                  ; xmm1=(CrO * FIX(0.40200))
+       paddw   xmm4,xmm2
+       paddw   xmm5,xmm3
+       paddw   xmm4,xmm2               ; xmm4=(CbE * FIX(1.77200))=(B-Y)E
+       paddw   xmm5,xmm3               ; xmm5=(CbO * FIX(1.77200))=(B-Y)O
+       paddw   xmm0,xmm6               ; xmm0=(CrE * FIX(1.40200))=(R-Y)E
+       paddw   xmm1,xmm7               ; xmm1=(CrO * FIX(1.40200))=(R-Y)O
+       movdqa  XMMWORD [wk(0)], xmm4   ; wk(0)=(B-Y)E
+       movdqa  XMMWORD [wk(1)], xmm5   ; wk(1)=(B-Y)O
+       movdqa    xmm4,xmm2
+       movdqa    xmm5,xmm3
+       punpcklwd xmm2,xmm6
+       punpckhwd xmm4,xmm6
+       pmaddwd   xmm2,[GOTOFF(eax,PW_MF0344_F0285)]
+       pmaddwd   xmm4,[GOTOFF(eax,PW_MF0344_F0285)]
+       punpcklwd xmm3,xmm7
+       punpckhwd xmm5,xmm7
+       pmaddwd   xmm3,[GOTOFF(eax,PW_MF0344_F0285)]
+       pmaddwd   xmm5,[GOTOFF(eax,PW_MF0344_F0285)]
+       paddd     xmm2,[GOTOFF(eax,PD_ONEHALF)]
+       paddd     xmm4,[GOTOFF(eax,PD_ONEHALF)]
+       psrad     xmm2,SCALEBITS
+       psrad     xmm4,SCALEBITS
+       paddd     xmm3,[GOTOFF(eax,PD_ONEHALF)]
+       paddd     xmm5,[GOTOFF(eax,PD_ONEHALF)]
+       psrad     xmm3,SCALEBITS
+       psrad     xmm5,SCALEBITS
+       packssdw  xmm2,xmm4     ; xmm2=CbE*-FIX(0.344)+CrE*FIX(0.285)
+       packssdw  xmm3,xmm5     ; xmm3=CbO*-FIX(0.344)+CrO*FIX(0.285)
+       psubw     xmm2,xmm6     ; xmm2=CbE*-FIX(0.344)+CrE*-FIX(0.714)=(G-Y)E
+       psubw     xmm3,xmm7     ; xmm3=CbO*-FIX(0.344)+CrO*-FIX(0.714)=(G-Y)O
+       movdqa    xmm5, XMMWORD [esi]   ; xmm5=Y(0123456789ABCDEF)
+       pcmpeqw   xmm4,xmm4
+       psrlw     xmm4,BYTE_BIT         ; xmm4={0xFF 0x00 0xFF 0x00 ..}
+       pand      xmm4,xmm5             ; xmm4=Y(02468ACE)=YE
+       psrlw     xmm5,BYTE_BIT         ; xmm5=Y(13579BDF)=YO
+       paddw     xmm0,xmm4             ; xmm0=((R-Y)E+YE)=RE=R(02468ACE)
+       paddw     xmm1,xmm5             ; xmm1=((R-Y)O+YO)=RO=R(13579BDF)
+       packuswb  xmm0,xmm0             ; xmm0=R(02468ACE********)
+       packuswb  xmm1,xmm1             ; xmm1=R(13579BDF********)
+       paddw     xmm2,xmm4             ; xmm2=((G-Y)E+YE)=GE=G(02468ACE)
+       paddw     xmm3,xmm5             ; xmm3=((G-Y)O+YO)=GO=G(13579BDF)
+       packuswb  xmm2,xmm2             ; xmm2=G(02468ACE********)
+       packuswb  xmm3,xmm3             ; xmm3=G(13579BDF********)
+       paddw     xmm4, XMMWORD [wk(0)] ; xmm4=(YE+(B-Y)E)=BE=B(02468ACE)
+       paddw     xmm5, XMMWORD [wk(1)] ; xmm5=(YO+(B-Y)O)=BO=B(13579BDF)
+       packuswb  xmm4,xmm4             ; xmm4=B(02468ACE********)
+       packuswb  xmm5,xmm5             ; xmm5=B(13579BDF********)
+ %if RGB_PIXELSIZE == 3 ; ---------------
+       ; xmmA=(00 02 04 06 08 0A 0C 0E **), xmmB=(01 03 05 07 09 0B 0D 0F **)
+       ; xmmC=(10 12 14 16 18 1A 1C 1E **), xmmD=(11 13 15 17 19 1B 1D 1F **)
+       ; xmmE=(20 22 24 26 28 2A 2C 2E **), xmmF=(21 23 25 27 29 2B 2D 2F **)
+       ; xmmG=(** ** ** ** ** ** ** ** **), xmmH=(** ** ** ** ** ** ** ** **)
+       punpcklbw xmmA,xmmC     ; xmmA=(00 10 02 12 04 14 06 16 08 18 0A 1A 0C 1C 0E 1E)
+       punpcklbw xmmE,xmmB     ; xmmE=(20 01 22 03 24 05 26 07 28 09 2A 0B 2C 0D 2E 0F)
+       punpcklbw xmmD,xmmF     ; xmmD=(11 21 13 23 15 25 17 27 19 29 1B 2B 1D 2D 1F 2F)
+       movdqa    xmmG,xmmA
+       movdqa    xmmH,xmmA
+       punpcklwd xmmA,xmmE     ; xmmA=(00 10 20 01 02 12 22 03 04 14 24 05 06 16 26 07)
+       punpckhwd xmmG,xmmE     ; xmmG=(08 18 28 09 0A 1A 2A 0B 0C 1C 2C 0D 0E 1E 2E 0F)
+       psrldq    xmmH,2        ; xmmH=(02 12 04 14 06 16 08 18 0A 1A 0C 1C 0E 1E -- --)
+       psrldq    xmmE,2        ; xmmE=(22 03 24 05 26 07 28 09 2A 0B 2C 0D 2E 0F -- --)
+       movdqa    xmmC,xmmD
+       movdqa    xmmB,xmmD
+       punpcklwd xmmD,xmmH     ; xmmD=(11 21 02 12 13 23 04 14 15 25 06 16 17 27 08 18)
+       punpckhwd xmmC,xmmH     ; xmmC=(19 29 0A 1A 1B 2B 0C 1C 1D 2D 0E 1E 1F 2F -- --)
+       psrldq    xmmB,2        ; xmmB=(13 23 15 25 17 27 19 29 1B 2B 1D 2D 1F 2F -- --)
+       movdqa    xmmF,xmmE
+       punpcklwd xmmE,xmmB     ; xmmE=(22 03 13 23 24 05 15 25 26 07 17 27 28 09 19 29)
+       punpckhwd xmmF,xmmB     ; xmmF=(2A 0B 1B 2B 2C 0D 1D 2D 2E 0F 1F 2F -- -- -- --)
+       pshufd    xmmH,xmmA,0x4E; xmmH=(04 14 24 05 06 16 26 07 00 10 20 01 02 12 22 03)
+       movdqa    xmmB,xmmE
+       punpckldq xmmA,xmmD     ; xmmA=(00 10 20 01 11 21 02 12 02 12 22 03 13 23 04 14)
+       punpckldq xmmE,xmmH     ; xmmE=(22 03 13 23 04 14 24 05 24 05 15 25 06 16 26 07)
+       punpckhdq xmmD,xmmB     ; xmmD=(15 25 06 16 26 07 17 27 17 27 08 18 28 09 19 29)
+       pshufd    xmmH,xmmG,0x4E; xmmH=(0C 1C 2C 0D 0E 1E 2E 0F 08 18 28 09 0A 1A 2A 0B)
+       movdqa    xmmB,xmmF
+       punpckldq xmmG,xmmC     ; xmmG=(08 18 28 09 19 29 0A 1A 0A 1A 2A 0B 1B 2B 0C 1C)
+       punpckldq xmmF,xmmH     ; xmmF=(2A 0B 1B 2B 0C 1C 2C 0D 2C 0D 1D 2D 0E 1E 2E 0F)
+       punpckhdq xmmC,xmmB     ; xmmC=(1D 2D 0E 1E 2E 0F 1F 2F 1F 2F -- -- -- -- -- --)
+       punpcklqdq xmmA,xmmE    ; xmmA=(00 10 20 01 11 21 02 12 22 03 13 23 04 14 24 05)
+       punpcklqdq xmmD,xmmG    ; xmmD=(15 25 06 16 26 07 17 27 08 18 28 09 19 29 0A 1A)
+       punpcklqdq xmmF,xmmC    ; xmmF=(2A 0B 1B 2B 0C 1C 2C 0D 1D 2D 0E 1E 2E 0F 1F 2F)
+       cmp     ecx, byte SIZEOF_XMMWORD
+       jb      short .column_st32
+       test    edi, SIZEOF_XMMWORD-1
+       jnz     short .out1
+       ; --(aligned)-------------------
+       movntdq XMMWORD [edi+0*SIZEOF_XMMWORD], xmmA
+       movntdq XMMWORD [edi+1*SIZEOF_XMMWORD], xmmD
+       movntdq XMMWORD [edi+2*SIZEOF_XMMWORD], xmmF
+       add     edi, byte RGB_PIXELSIZE*SIZEOF_XMMWORD  ; outptr
+       jmp     short .out0
+ .out1:        ; --(unaligned)-----------------
+       pcmpeqb    xmmH,xmmH                    ; xmmH=(all 1's)
+       maskmovdqu xmmA,xmmH                    ; movntdqu XMMWORD [edi], xmmA
+       add     edi, byte SIZEOF_XMMWORD        ; outptr
+       maskmovdqu xmmD,xmmH                    ; movntdqu XMMWORD [edi], xmmD
+       add     edi, byte SIZEOF_XMMWORD        ; outptr
+       maskmovdqu xmmF,xmmH                    ; movntdqu XMMWORD [edi], xmmF
+       add     edi, byte SIZEOF_XMMWORD        ; outptr
+ .out0:
+       sub     ecx, byte SIZEOF_XMMWORD
+       jz      near .nextrow
+       add     esi, byte SIZEOF_XMMWORD        ; inptr0
+       add     ebx, byte SIZEOF_XMMWORD        ; inptr1
+       add     edx, byte SIZEOF_XMMWORD        ; inptr2
+       jmp     near .columnloop
+       alignx  16,7
+ .column_st32:
+       pcmpeqb xmmH,xmmH                       ; xmmH=(all 1's)
+       lea     ecx, [ecx+ecx*2]                ; imul ecx, RGB_PIXELSIZE
+       cmp     ecx, byte 2*SIZEOF_XMMWORD
+       jb      short .column_st16
+       maskmovdqu xmmA,xmmH                    ; movntdqu XMMWORD [edi], xmmA
+       add     edi, byte SIZEOF_XMMWORD        ; outptr
+       maskmovdqu xmmD,xmmH                    ; movntdqu XMMWORD [edi], xmmD
+       add     edi, byte SIZEOF_XMMWORD        ; outptr
+       movdqa  xmmA,xmmF
+       sub     ecx, byte 2*SIZEOF_XMMWORD
+       jmp     short .column_st15
+ .column_st16:
+       cmp     ecx, byte SIZEOF_XMMWORD
+       jb      short .column_st15
+       maskmovdqu xmmA,xmmH                    ; movntdqu XMMWORD [edi], xmmA
+       add     edi, byte SIZEOF_XMMWORD        ; outptr
+       movdqa  xmmA,xmmD
+       sub     ecx, byte SIZEOF_XMMWORD
+ .column_st15:
+       mov     eax,ecx
+       xor     ecx, byte 0x0F
+       shl     ecx, 2
+       movd    xmmB,ecx
+       psrlq   xmmH,4
+       pcmpeqb xmmE,xmmE
+       psrlq   xmmH,xmmB
+       psrlq   xmmE,xmmB
+       punpcklbw xmmE,xmmH
+       ; ----------------
+       mov     ecx,edi
+       and     ecx, byte SIZEOF_XMMWORD-1
+       jz      short .adj0
+       add     eax,ecx
+       cmp     eax, byte SIZEOF_XMMWORD
+       ja      short .adj0
+       and     edi, byte (-SIZEOF_XMMWORD)     ; align to 16-byte boundary
+       shl     ecx, 3                  ; pslldq xmmA,ecx & pslldq xmmE,ecx
+       movdqa  xmmG,xmmA
+       movdqa  xmmC,xmmE
+       pslldq  xmmA, SIZEOF_XMMWORD/2
+       pslldq  xmmE, SIZEOF_XMMWORD/2
+       movd    xmmD,ecx
+       sub     ecx, byte (SIZEOF_XMMWORD/2)*BYTE_BIT
+       jb      short .adj1
+       movd    xmmF,ecx
+       psllq   xmmA,xmmF
+       psllq   xmmE,xmmF
+       jmp     short .adj0
+ .adj1:        neg     ecx
+       movd    xmmF,ecx
+       psrlq   xmmA,xmmF
+       psrlq   xmmE,xmmF
+       psllq   xmmG,xmmD
+       psllq   xmmC,xmmD
+       por     xmmA,xmmG
+       por     xmmE,xmmC
+ .adj0:        ; ----------------
+       maskmovdqu xmmA,xmmE                    ; movntdqu XMMWORD [edi], xmmA
+ %else ; RGB_PIXELSIZE == 4 ; -----------
+ %ifdef RGBX_FILLER_0XFF
+       pcmpeqb   xmm6,xmm6             ; xmm6=XE=X(02468ACE********)
+       pcmpeqb   xmm7,xmm7             ; xmm7=XO=X(13579BDF********)
+ %else
+       pxor      xmm6,xmm6             ; xmm6=XE=X(02468ACE********)
+       pxor      xmm7,xmm7             ; xmm7=XO=X(13579BDF********)
+ %endif
+       ; xmmA=(00 02 04 06 08 0A 0C 0E **), xmmB=(01 03 05 07 09 0B 0D 0F **)
+       ; xmmC=(10 12 14 16 18 1A 1C 1E **), xmmD=(11 13 15 17 19 1B 1D 1F **)
+       ; xmmE=(20 22 24 26 28 2A 2C 2E **), xmmF=(21 23 25 27 29 2B 2D 2F **)
+       ; xmmG=(30 32 34 36 38 3A 3C 3E **), xmmH=(31 33 35 37 39 3B 3D 3F **)
+       punpcklbw xmmA,xmmC     ; xmmA=(00 10 02 12 04 14 06 16 08 18 0A 1A 0C 1C 0E 1E)
+       punpcklbw xmmE,xmmG     ; xmmE=(20 30 22 32 24 34 26 36 28 38 2A 3A 2C 3C 2E 3E)
+       punpcklbw xmmB,xmmD     ; xmmB=(01 11 03 13 05 15 07 17 09 19 0B 1B 0D 1D 0F 1F)
+       punpcklbw xmmF,xmmH     ; xmmF=(21 31 23 33 25 35 27 37 29 39 2B 3B 2D 3D 2F 3F)
+       movdqa    xmmC,xmmA
+       punpcklwd xmmA,xmmE     ; xmmA=(00 10 20 30 02 12 22 32 04 14 24 34 06 16 26 36)
+       punpckhwd xmmC,xmmE     ; xmmC=(08 18 28 38 0A 1A 2A 3A 0C 1C 2C 3C 0E 1E 2E 3E)
+       movdqa    xmmG,xmmB
+       punpcklwd xmmB,xmmF     ; xmmB=(01 11 21 31 03 13 23 33 05 15 25 35 07 17 27 37)
+       punpckhwd xmmG,xmmF     ; xmmG=(09 19 29 39 0B 1B 2B 3B 0D 1D 2D 3D 0F 1F 2F 3F)
+       movdqa    xmmD,xmmA
+       punpckldq xmmA,xmmB     ; xmmA=(00 10 20 30 01 11 21 31 02 12 22 32 03 13 23 33)
+       punpckhdq xmmD,xmmB     ; xmmD=(04 14 24 34 05 15 25 35 06 16 26 36 07 17 27 37)
+       movdqa    xmmH,xmmC
+       punpckldq xmmC,xmmG     ; xmmC=(08 18 28 38 09 19 29 39 0A 1A 2A 3A 0B 1B 2B 3B)
+       punpckhdq xmmH,xmmG     ; xmmH=(0C 1C 2C 3C 0D 1D 2D 3D 0E 1E 2E 3E 0F 1F 2F 3F)
+       cmp     ecx, byte SIZEOF_XMMWORD
+       jb      short .column_st32
+       test    edi, SIZEOF_XMMWORD-1
+       jnz     short .out1
+       ; --(aligned)-------------------
+       movntdq XMMWORD [edi+0*SIZEOF_XMMWORD], xmmA
+       movntdq XMMWORD [edi+1*SIZEOF_XMMWORD], xmmD
+       movntdq XMMWORD [edi+2*SIZEOF_XMMWORD], xmmC
+       movntdq XMMWORD [edi+3*SIZEOF_XMMWORD], xmmH
+       add     edi, byte RGB_PIXELSIZE*SIZEOF_XMMWORD  ; outptr
+       jmp     short .out0
+ .out1:        ; --(unaligned)-----------------
+       pcmpeqb    xmmE,xmmE                    ; xmmE=(all 1's)
+       maskmovdqu xmmA,xmmE                    ; movntdqu XMMWORD [edi], xmmA
+       add     edi, byte SIZEOF_XMMWORD        ; outptr
+       maskmovdqu xmmD,xmmE                    ; movntdqu XMMWORD [edi], xmmD
+       add     edi, byte SIZEOF_XMMWORD        ; outptr
+       maskmovdqu xmmC,xmmE                    ; movntdqu XMMWORD [edi], xmmC
+       add     edi, byte SIZEOF_XMMWORD        ; outptr
+       maskmovdqu xmmH,xmmE                    ; movntdqu XMMWORD [edi], xmmH
+       add     edi, byte SIZEOF_XMMWORD        ; outptr
+ .out0:
+       sub     ecx, byte SIZEOF_XMMWORD
+       jz      near .nextrow
+       add     esi, byte SIZEOF_XMMWORD        ; inptr0
+       add     ebx, byte SIZEOF_XMMWORD        ; inptr1
+       add     edx, byte SIZEOF_XMMWORD        ; inptr2
+       jmp     near .columnloop
+       alignx  16,7
+ .column_st32:
+       pcmpeqb xmmE,xmmE                       ; xmmE=(all 1's)
+       cmp     ecx, byte SIZEOF_XMMWORD/2
+       jb      short .column_st16
+       maskmovdqu xmmA,xmmE                    ; movntdqu XMMWORD [edi], xmmA
+       add     edi, byte SIZEOF_XMMWORD        ; outptr
+       maskmovdqu xmmD,xmmE                    ; movntdqu XMMWORD [edi], xmmD
+       add     edi, byte SIZEOF_XMMWORD        ; outptr
+       movdqa  xmmA,xmmC
+       movdqa  xmmD,xmmH
+       sub     ecx, byte SIZEOF_XMMWORD/2
+ .column_st16:
+       cmp     ecx, byte SIZEOF_XMMWORD/4
+       jb      short .column_st15
+       maskmovdqu xmmA,xmmE                    ; movntdqu XMMWORD [edi], xmmA
+       add     edi, byte SIZEOF_XMMWORD        ; outptr
+       movdqa  xmmA,xmmD
+       sub     ecx, byte SIZEOF_XMMWORD/4
+ .column_st15:
+       cmp     ecx, byte SIZEOF_XMMWORD/16
+       jb      short .nextrow
+       mov     eax,ecx
+       xor     ecx, byte 0x03
+       inc     ecx
+       shl     ecx, 4
+       movd    xmmF,ecx
+       psrlq   xmmE,xmmF
+       punpcklbw xmmE,xmmE
+       ; ----------------
+       mov     ecx,edi
+       and     ecx, byte SIZEOF_XMMWORD-1
+       jz      short .adj0
+       lea     eax, [ecx+eax*4]        ; RGB_PIXELSIZE
+       cmp     eax, byte SIZEOF_XMMWORD
+       ja      short .adj0
+       and     edi, byte (-SIZEOF_XMMWORD)     ; align to 16-byte boundary
+       shl     ecx, 3                  ; pslldq xmmA,ecx & pslldq xmmE,ecx
+       movdqa  xmmB,xmmA
+       movdqa  xmmG,xmmE
+       pslldq  xmmA, SIZEOF_XMMWORD/2
+       pslldq  xmmE, SIZEOF_XMMWORD/2
+       movd    xmmC,ecx
+       sub     ecx, byte (SIZEOF_XMMWORD/2)*BYTE_BIT
+       jb      short .adj1
+       movd    xmmH,ecx
+       psllq   xmmA,xmmH
+       psllq   xmmE,xmmH
+       jmp     short .adj0
+ .adj1:        neg     ecx
+       movd    xmmH,ecx
+       psrlq   xmmA,xmmH
+       psrlq   xmmE,xmmH
+       psllq   xmmB,xmmC
+       psllq   xmmG,xmmC
+       por     xmmA,xmmB
+       por     xmmE,xmmG
+ .adj0:        ; ----------------
+       maskmovdqu xmmA,xmmE                    ; movntdqu XMMWORD [edi], xmmA
+ %endif ; RGB_PIXELSIZE ; ---------------
+       alignx  16,7
+ .nextrow:
+       pop     ecx
+       pop     esi
+       pop     ebx
+       pop     edx
+       pop     edi
+       pop     eax
+       add     esi, byte SIZEOF_JSAMPROW
+       add     ebx, byte SIZEOF_JSAMPROW
+       add     edx, byte SIZEOF_JSAMPROW
+       add     edi, byte SIZEOF_JSAMPROW       ; output_buf
+       dec     eax                             ; num_rows
+       jg      near .rowloop
+       sfence          ; flush the write buffer
+ .return:
+       pop     edi
+       pop     esi
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; need not be preserved
+       pop     ebx
+       mov     esp,ebp         ; esp <- aligned ebp
+       pop     esp             ; esp <- original ebp
+       pop     ebp
+       ret
index 0000000000000000000000000000000000000000,0000000000000000000000000000000000000000..c0804ecdfbb874adb85d502aa8cbdb910851fc13
new file mode 100644 (file)
--- /dev/null
--- /dev/null
@@@ -1,0 -1,0 +1,590 @@@
++;
++; jdmerss2.asm - merged upsampling/color conversion (SSE2)
++;
++; Copyright 2009 Pierre Ossman <ossman@cendio.se> for Cendio AB
++;
++; Based on
++; x86 SIMD extension for IJG JPEG library
++; Copyright (C) 1999-2006, MIYASAKA Masaru.
++; For conditions of distribution and use, see copyright notice in jsimdext.inc
++;
++; This file should be assembled with NASM (Netwide Assembler),
++; can *not* be assembled with Microsoft's MASM or any compatible
++; assembler (including Borland's Turbo Assembler).
++; NASM is available from http://nasm.sourceforge.net/ or
++; http://sourceforge.net/project/showfiles.php?group_id=6208
++;
++; [TAB8]
++
++%include "simd/jsimdext.inc"
++%include "simd/jcolsamp.inc"
++
++; --------------------------------------------------------------------------
++
++%define SCALEBITS     16
++
++F_0_344       equ      22554                  ; FIX(0.34414)
++F_0_714       equ      46802                  ; FIX(0.71414)
++F_1_402       equ      91881                  ; FIX(1.40200)
++F_1_772       equ     116130                  ; FIX(1.77200)
++F_0_402       equ     (F_1_402 - 65536)       ; FIX(1.40200) - FIX(1)
++F_0_285       equ     ( 65536 - F_0_714)      ; FIX(1) - FIX(0.71414)
++F_0_228       equ     (131072 - F_1_772)      ; FIX(2) - FIX(1.77200)
++
++; --------------------------------------------------------------------------
++      SECTION SEG_CONST
++
++      alignz  16
++      global  EXTN(jconst_merged_upsample_sse2)
++
++EXTN(jconst_merged_upsample_sse2):
++
++PW_F0402      times 8 dw  F_0_402
++PW_MF0228     times 8 dw -F_0_228
++PW_MF0344_F0285       times 4 dw -F_0_344, F_0_285
++PW_ONE                times 8 dw  1
++PD_ONEHALF    times 4 dd  1 << (SCALEBITS-1)
++
++      alignz  16
++
++; --------------------------------------------------------------------------
++      SECTION SEG_TEXT
++      BITS    32
++;
++; Upsample and color convert for the case of 2:1 horizontal and 1:1 vertical.
++;
++; GLOBAL(void)
++; jsimd_h2v1_merged_upsample_sse2 (JDIMENSION output_width,
++;                                  JSAMPIMAGE input_buf,
++;                                  JDIMENSION in_row_group_ctr,
++;                                  JSAMPARRAY output_buf);
++;
++
++%define output_width(b)       (b)+8                   ; JDIMENSION output_width
++%define input_buf(b)          (b)+12          ; JSAMPIMAGE input_buf
++%define in_row_group_ctr(b)   (b)+16          ; JDIMENSION in_row_group_ctr
++%define output_buf(b)         (b)+20          ; JSAMPARRAY output_buf
++
++%define original_ebp  ebp+0
++%define wk(i)         ebp-(WK_NUM-(i))*SIZEOF_XMMWORD ; xmmword wk[WK_NUM]
++%define WK_NUM                3
++%define gotptr                wk(0)-SIZEOF_POINTER    ; void * gotptr
++
++      align   16
++      global  EXTN(jsimd_h2v1_merged_upsample_sse2)
++
++EXTN(jsimd_h2v1_merged_upsample_sse2):
++      push    ebp
++      mov     eax,esp                         ; eax = original ebp
++      sub     esp, byte 4
++      and     esp, byte (-SIZEOF_XMMWORD)     ; align to 128 bits
++      mov     [esp],eax
++      mov     ebp,esp                         ; ebp = aligned ebp
++      lea     esp, [wk(0)]
++      pushpic eax             ; make a room for GOT address
++      push    ebx
++;     push    ecx             ; need not be preserved
++;     push    edx             ; need not be preserved
++      push    esi
++      push    edi
++
++      get_GOT ebx                     ; get GOT address
++      movpic  POINTER [gotptr], ebx   ; save GOT address
++
++      mov     ecx, JDIMENSION [output_width(eax)]     ; col
++      test    ecx,ecx
++      jz      near .return
++
++      push    ecx
++
++      mov     edi, JSAMPIMAGE [input_buf(eax)]
++      mov     ecx, JDIMENSION [in_row_group_ctr(eax)]
++      mov     esi, JSAMPARRAY [edi+0*SIZEOF_JSAMPARRAY]
++      mov     ebx, JSAMPARRAY [edi+1*SIZEOF_JSAMPARRAY]
++      mov     edx, JSAMPARRAY [edi+2*SIZEOF_JSAMPARRAY]
++      mov     edi, JSAMPARRAY [output_buf(eax)]
++      mov     esi, JSAMPROW [esi+ecx*SIZEOF_JSAMPROW]         ; inptr0
++      mov     ebx, JSAMPROW [ebx+ecx*SIZEOF_JSAMPROW]         ; inptr1
++      mov     edx, JSAMPROW [edx+ecx*SIZEOF_JSAMPROW]         ; inptr2
++      mov     edi, JSAMPROW [edi]                             ; outptr
++
++      pop     ecx                     ; col
++
++      alignx  16,7
++.columnloop:
++      movpic  eax, POINTER [gotptr]   ; load GOT address (eax)
++
++      movdqa    xmm6, XMMWORD [ebx]   ; xmm6=Cb(0123456789ABCDEF)
++      movdqa    xmm7, XMMWORD [edx]   ; xmm7=Cr(0123456789ABCDEF)
++
++      pxor      xmm1,xmm1             ; xmm1=(all 0's)
++      pcmpeqw   xmm3,xmm3
++      psllw     xmm3,7                ; xmm3={0xFF80 0xFF80 0xFF80 0xFF80 ..}
++
++      movdqa    xmm4,xmm6
++      punpckhbw xmm6,xmm1             ; xmm6=Cb(89ABCDEF)=CbH
++      punpcklbw xmm4,xmm1             ; xmm4=Cb(01234567)=CbL
++      movdqa    xmm0,xmm7
++      punpckhbw xmm7,xmm1             ; xmm7=Cr(89ABCDEF)=CrH
++      punpcklbw xmm0,xmm1             ; xmm0=Cr(01234567)=CrL
++
++      paddw     xmm6,xmm3
++      paddw     xmm4,xmm3
++      paddw     xmm7,xmm3
++      paddw     xmm0,xmm3
++
++      ; (Original)
++      ; R = Y                + 1.40200 * Cr
++      ; G = Y - 0.34414 * Cb - 0.71414 * Cr
++      ; B = Y + 1.77200 * Cb
++      ;
++      ; (This implementation)
++      ; R = Y                + 0.40200 * Cr + Cr
++      ; G = Y - 0.34414 * Cb + 0.28586 * Cr - Cr
++      ; B = Y - 0.22800 * Cb + Cb + Cb
++
++      movdqa  xmm5,xmm6               ; xmm5=CbH
++      movdqa  xmm2,xmm4               ; xmm2=CbL
++      paddw   xmm6,xmm6               ; xmm6=2*CbH
++      paddw   xmm4,xmm4               ; xmm4=2*CbL
++      movdqa  xmm1,xmm7               ; xmm1=CrH
++      movdqa  xmm3,xmm0               ; xmm3=CrL
++      paddw   xmm7,xmm7               ; xmm7=2*CrH
++      paddw   xmm0,xmm0               ; xmm0=2*CrL
++
++      pmulhw  xmm6,[GOTOFF(eax,PW_MF0228)]    ; xmm6=(2*CbH * -FIX(0.22800))
++      pmulhw  xmm4,[GOTOFF(eax,PW_MF0228)]    ; xmm4=(2*CbL * -FIX(0.22800))
++      pmulhw  xmm7,[GOTOFF(eax,PW_F0402)]     ; xmm7=(2*CrH * FIX(0.40200))
++      pmulhw  xmm0,[GOTOFF(eax,PW_F0402)]     ; xmm0=(2*CrL * FIX(0.40200))
++
++      paddw   xmm6,[GOTOFF(eax,PW_ONE)]
++      paddw   xmm4,[GOTOFF(eax,PW_ONE)]
++      psraw   xmm6,1                  ; xmm6=(CbH * -FIX(0.22800))
++      psraw   xmm4,1                  ; xmm4=(CbL * -FIX(0.22800))
++      paddw   xmm7,[GOTOFF(eax,PW_ONE)]
++      paddw   xmm0,[GOTOFF(eax,PW_ONE)]
++      psraw   xmm7,1                  ; xmm7=(CrH * FIX(0.40200))
++      psraw   xmm0,1                  ; xmm0=(CrL * FIX(0.40200))
++
++      paddw   xmm6,xmm5
++      paddw   xmm4,xmm2
++      paddw   xmm6,xmm5               ; xmm6=(CbH * FIX(1.77200))=(B-Y)H
++      paddw   xmm4,xmm2               ; xmm4=(CbL * FIX(1.77200))=(B-Y)L
++      paddw   xmm7,xmm1               ; xmm7=(CrH * FIX(1.40200))=(R-Y)H
++      paddw   xmm0,xmm3               ; xmm0=(CrL * FIX(1.40200))=(R-Y)L
++
++      movdqa  XMMWORD [wk(0)], xmm6   ; wk(0)=(B-Y)H
++      movdqa  XMMWORD [wk(1)], xmm7   ; wk(1)=(R-Y)H
++
++      movdqa    xmm6,xmm5
++      movdqa    xmm7,xmm2
++      punpcklwd xmm5,xmm1
++      punpckhwd xmm6,xmm1
++      pmaddwd   xmm5,[GOTOFF(eax,PW_MF0344_F0285)]
++      pmaddwd   xmm6,[GOTOFF(eax,PW_MF0344_F0285)]
++      punpcklwd xmm2,xmm3
++      punpckhwd xmm7,xmm3
++      pmaddwd   xmm2,[GOTOFF(eax,PW_MF0344_F0285)]
++      pmaddwd   xmm7,[GOTOFF(eax,PW_MF0344_F0285)]
++
++      paddd     xmm5,[GOTOFF(eax,PD_ONEHALF)]
++      paddd     xmm6,[GOTOFF(eax,PD_ONEHALF)]
++      psrad     xmm5,SCALEBITS
++      psrad     xmm6,SCALEBITS
++      paddd     xmm2,[GOTOFF(eax,PD_ONEHALF)]
++      paddd     xmm7,[GOTOFF(eax,PD_ONEHALF)]
++      psrad     xmm2,SCALEBITS
++      psrad     xmm7,SCALEBITS
++
++      packssdw  xmm5,xmm6     ; xmm5=CbH*-FIX(0.344)+CrH*FIX(0.285)
++      packssdw  xmm2,xmm7     ; xmm2=CbL*-FIX(0.344)+CrL*FIX(0.285)
++      psubw     xmm5,xmm1     ; xmm5=CbH*-FIX(0.344)+CrH*-FIX(0.714)=(G-Y)H
++      psubw     xmm2,xmm3     ; xmm2=CbL*-FIX(0.344)+CrL*-FIX(0.714)=(G-Y)L
++
++      movdqa  XMMWORD [wk(2)], xmm5   ; wk(2)=(G-Y)H
++
++      mov     al,2                    ; Yctr
++      jmp     short .Yloop_1st
++      alignx  16,7
++
++.Yloop_2nd:
++      movdqa  xmm0, XMMWORD [wk(1)]   ; xmm0=(R-Y)H
++      movdqa  xmm2, XMMWORD [wk(2)]   ; xmm2=(G-Y)H
++      movdqa  xmm4, XMMWORD [wk(0)]   ; xmm4=(B-Y)H
++      alignx  16,7
++
++.Yloop_1st:
++      movdqa  xmm7, XMMWORD [esi]     ; xmm7=Y(0123456789ABCDEF)
++
++      pcmpeqw xmm6,xmm6
++      psrlw   xmm6,BYTE_BIT           ; xmm6={0xFF 0x00 0xFF 0x00 ..}
++      pand    xmm6,xmm7               ; xmm6=Y(02468ACE)=YE
++      psrlw   xmm7,BYTE_BIT           ; xmm7=Y(13579BDF)=YO
++
++      movdqa  xmm1,xmm0               ; xmm1=xmm0=(R-Y)(L/H)
++      movdqa  xmm3,xmm2               ; xmm3=xmm2=(G-Y)(L/H)
++      movdqa  xmm5,xmm4               ; xmm5=xmm4=(B-Y)(L/H)
++
++      paddw     xmm0,xmm6             ; xmm0=((R-Y)+YE)=RE=R(02468ACE)
++      paddw     xmm1,xmm7             ; xmm1=((R-Y)+YO)=RO=R(13579BDF)
++      packuswb  xmm0,xmm0             ; xmm0=R(02468ACE********)
++      packuswb  xmm1,xmm1             ; xmm1=R(13579BDF********)
++
++      paddw     xmm2,xmm6             ; xmm2=((G-Y)+YE)=GE=G(02468ACE)
++      paddw     xmm3,xmm7             ; xmm3=((G-Y)+YO)=GO=G(13579BDF)
++      packuswb  xmm2,xmm2             ; xmm2=G(02468ACE********)
++      packuswb  xmm3,xmm3             ; xmm3=G(13579BDF********)
++
++      paddw     xmm4,xmm6             ; xmm4=((B-Y)+YE)=BE=B(02468ACE)
++      paddw     xmm5,xmm7             ; xmm5=((B-Y)+YO)=BO=B(13579BDF)
++      packuswb  xmm4,xmm4             ; xmm4=B(02468ACE********)
++      packuswb  xmm5,xmm5             ; xmm5=B(13579BDF********)
++
++%if RGB_PIXELSIZE == 3 ; ---------------
++
++      ; xmmA=(00 02 04 06 08 0A 0C 0E **), xmmB=(01 03 05 07 09 0B 0D 0F **)
++      ; xmmC=(10 12 14 16 18 1A 1C 1E **), xmmD=(11 13 15 17 19 1B 1D 1F **)
++      ; xmmE=(20 22 24 26 28 2A 2C 2E **), xmmF=(21 23 25 27 29 2B 2D 2F **)
++      ; xmmG=(** ** ** ** ** ** ** ** **), xmmH=(** ** ** ** ** ** ** ** **)
++
++      punpcklbw xmmA,xmmC     ; xmmA=(00 10 02 12 04 14 06 16 08 18 0A 1A 0C 1C 0E 1E)
++      punpcklbw xmmE,xmmB     ; xmmE=(20 01 22 03 24 05 26 07 28 09 2A 0B 2C 0D 2E 0F)
++      punpcklbw xmmD,xmmF     ; xmmD=(11 21 13 23 15 25 17 27 19 29 1B 2B 1D 2D 1F 2F)
++
++      movdqa    xmmG,xmmA
++      movdqa    xmmH,xmmA
++      punpcklwd xmmA,xmmE     ; xmmA=(00 10 20 01 02 12 22 03 04 14 24 05 06 16 26 07)
++      punpckhwd xmmG,xmmE     ; xmmG=(08 18 28 09 0A 1A 2A 0B 0C 1C 2C 0D 0E 1E 2E 0F)
++
++      psrldq    xmmH,2        ; xmmH=(02 12 04 14 06 16 08 18 0A 1A 0C 1C 0E 1E -- --)
++      psrldq    xmmE,2        ; xmmE=(22 03 24 05 26 07 28 09 2A 0B 2C 0D 2E 0F -- --)
++
++      movdqa    xmmC,xmmD
++      movdqa    xmmB,xmmD
++      punpcklwd xmmD,xmmH     ; xmmD=(11 21 02 12 13 23 04 14 15 25 06 16 17 27 08 18)
++      punpckhwd xmmC,xmmH     ; xmmC=(19 29 0A 1A 1B 2B 0C 1C 1D 2D 0E 1E 1F 2F -- --)
++
++      psrldq    xmmB,2        ; xmmB=(13 23 15 25 17 27 19 29 1B 2B 1D 2D 1F 2F -- --)
++
++      movdqa    xmmF,xmmE
++      punpcklwd xmmE,xmmB     ; xmmE=(22 03 13 23 24 05 15 25 26 07 17 27 28 09 19 29)
++      punpckhwd xmmF,xmmB     ; xmmF=(2A 0B 1B 2B 2C 0D 1D 2D 2E 0F 1F 2F -- -- -- --)
++
++      pshufd    xmmH,xmmA,0x4E; xmmH=(04 14 24 05 06 16 26 07 00 10 20 01 02 12 22 03)
++      movdqa    xmmB,xmmE
++      punpckldq xmmA,xmmD     ; xmmA=(00 10 20 01 11 21 02 12 02 12 22 03 13 23 04 14)
++      punpckldq xmmE,xmmH     ; xmmE=(22 03 13 23 04 14 24 05 24 05 15 25 06 16 26 07)
++      punpckhdq xmmD,xmmB     ; xmmD=(15 25 06 16 26 07 17 27 17 27 08 18 28 09 19 29)
++
++      pshufd    xmmH,xmmG,0x4E; xmmH=(0C 1C 2C 0D 0E 1E 2E 0F 08 18 28 09 0A 1A 2A 0B)
++      movdqa    xmmB,xmmF
++      punpckldq xmmG,xmmC     ; xmmG=(08 18 28 09 19 29 0A 1A 0A 1A 2A 0B 1B 2B 0C 1C)
++      punpckldq xmmF,xmmH     ; xmmF=(2A 0B 1B 2B 0C 1C 2C 0D 2C 0D 1D 2D 0E 1E 2E 0F)
++      punpckhdq xmmC,xmmB     ; xmmC=(1D 2D 0E 1E 2E 0F 1F 2F 1F 2F -- -- -- -- -- --)
++
++      punpcklqdq xmmA,xmmE    ; xmmA=(00 10 20 01 11 21 02 12 22 03 13 23 04 14 24 05)
++      punpcklqdq xmmD,xmmG    ; xmmD=(15 25 06 16 26 07 17 27 08 18 28 09 19 29 0A 1A)
++      punpcklqdq xmmF,xmmC    ; xmmF=(2A 0B 1B 2B 0C 1C 2C 0D 1D 2D 0E 1E 2E 0F 1F 2F)
++
++      cmp     ecx, byte SIZEOF_XMMWORD
++      jb      short .column_st32
++
++      test    edi, SIZEOF_XMMWORD-1
++      jnz     short .out1
++      ; --(aligned)-------------------
++      movntdq XMMWORD [edi+0*SIZEOF_XMMWORD], xmmA
++      movntdq XMMWORD [edi+1*SIZEOF_XMMWORD], xmmD
++      movntdq XMMWORD [edi+2*SIZEOF_XMMWORD], xmmF
++      add     edi, byte RGB_PIXELSIZE*SIZEOF_XMMWORD  ; outptr
++      jmp     short .out0
++.out1:        ; --(unaligned)-----------------
++      pcmpeqb    xmmH,xmmH                    ; xmmH=(all 1's)
++      maskmovdqu xmmA,xmmH                    ; movntdqu XMMWORD [edi], xmmA
++      add     edi, byte SIZEOF_XMMWORD        ; outptr
++      maskmovdqu xmmD,xmmH                    ; movntdqu XMMWORD [edi], xmmD
++      add     edi, byte SIZEOF_XMMWORD        ; outptr
++      maskmovdqu xmmF,xmmH                    ; movntdqu XMMWORD [edi], xmmF
++      add     edi, byte SIZEOF_XMMWORD        ; outptr
++.out0:
++      sub     ecx, byte SIZEOF_XMMWORD
++      jz      near .endcolumn
++
++      add     esi, byte SIZEOF_XMMWORD        ; inptr0
++      dec     al                      ; Yctr
++      jnz     near .Yloop_2nd
++
++      add     ebx, byte SIZEOF_XMMWORD        ; inptr1
++      add     edx, byte SIZEOF_XMMWORD        ; inptr2
++      jmp     near .columnloop
++      alignx  16,7
++
++.column_st32:
++      pcmpeqb xmmH,xmmH                       ; xmmH=(all 1's)
++      lea     ecx, [ecx+ecx*2]                ; imul ecx, RGB_PIXELSIZE
++      cmp     ecx, byte 2*SIZEOF_XMMWORD
++      jb      short .column_st16
++      maskmovdqu xmmA,xmmH                    ; movntdqu XMMWORD [edi], xmmA
++      add     edi, byte SIZEOF_XMMWORD        ; outptr
++      maskmovdqu xmmD,xmmH                    ; movntdqu XMMWORD [edi], xmmD
++      add     edi, byte SIZEOF_XMMWORD        ; outptr
++      movdqa  xmmA,xmmF
++      sub     ecx, byte 2*SIZEOF_XMMWORD
++      jmp     short .column_st15
++.column_st16:
++      cmp     ecx, byte SIZEOF_XMMWORD
++      jb      short .column_st15
++      maskmovdqu xmmA,xmmH                    ; movntdqu XMMWORD [edi], xmmA
++      add     edi, byte SIZEOF_XMMWORD        ; outptr
++      movdqa  xmmA,xmmD
++      sub     ecx, byte SIZEOF_XMMWORD
++.column_st15:
++      mov     eax,ecx
++      xor     ecx, byte 0x0F
++      shl     ecx, 2
++      movd    xmmB,ecx
++      psrlq   xmmH,4
++      pcmpeqb xmmE,xmmE
++      psrlq   xmmH,xmmB
++      psrlq   xmmE,xmmB
++      punpcklbw xmmE,xmmH
++      ; ----------------
++      mov     ecx,edi
++      and     ecx, byte SIZEOF_XMMWORD-1
++      jz      short .adj0
++      add     eax,ecx
++      cmp     eax, byte SIZEOF_XMMWORD
++      ja      short .adj0
++      and     edi, byte (-SIZEOF_XMMWORD)     ; align to 16-byte boundary
++      shl     ecx, 3                  ; pslldq xmmA,ecx & pslldq xmmE,ecx
++      movdqa  xmmG,xmmA
++      movdqa  xmmC,xmmE
++      pslldq  xmmA, SIZEOF_XMMWORD/2
++      pslldq  xmmE, SIZEOF_XMMWORD/2
++      movd    xmmD,ecx
++      sub     ecx, byte (SIZEOF_XMMWORD/2)*BYTE_BIT
++      jb      short .adj1
++      movd    xmmF,ecx
++      psllq   xmmA,xmmF
++      psllq   xmmE,xmmF
++      jmp     short .adj0
++.adj1:        neg     ecx
++      movd    xmmF,ecx
++      psrlq   xmmA,xmmF
++      psrlq   xmmE,xmmF
++      psllq   xmmG,xmmD
++      psllq   xmmC,xmmD
++      por     xmmA,xmmG
++      por     xmmE,xmmC
++.adj0:        ; ----------------
++      maskmovdqu xmmA,xmmE                    ; movntdqu XMMWORD [edi], xmmA
++
++%else ; RGB_PIXELSIZE == 4 ; -----------
++
++%ifdef RGBX_FILLER_0XFF
++      pcmpeqb   xmm6,xmm6             ; xmm6=XE=X(02468ACE********)
++      pcmpeqb   xmm7,xmm7             ; xmm7=XO=X(13579BDF********)
++%else
++      pxor      xmm6,xmm6             ; xmm6=XE=X(02468ACE********)
++      pxor      xmm7,xmm7             ; xmm7=XO=X(13579BDF********)
++%endif
++      ; xmmA=(00 02 04 06 08 0A 0C 0E **), xmmB=(01 03 05 07 09 0B 0D 0F **)
++      ; xmmC=(10 12 14 16 18 1A 1C 1E **), xmmD=(11 13 15 17 19 1B 1D 1F **)
++      ; xmmE=(20 22 24 26 28 2A 2C 2E **), xmmF=(21 23 25 27 29 2B 2D 2F **)
++      ; xmmG=(30 32 34 36 38 3A 3C 3E **), xmmH=(31 33 35 37 39 3B 3D 3F **)
++
++      punpcklbw xmmA,xmmC     ; xmmA=(00 10 02 12 04 14 06 16 08 18 0A 1A 0C 1C 0E 1E)
++      punpcklbw xmmE,xmmG     ; xmmE=(20 30 22 32 24 34 26 36 28 38 2A 3A 2C 3C 2E 3E)
++      punpcklbw xmmB,xmmD     ; xmmB=(01 11 03 13 05 15 07 17 09 19 0B 1B 0D 1D 0F 1F)
++      punpcklbw xmmF,xmmH     ; xmmF=(21 31 23 33 25 35 27 37 29 39 2B 3B 2D 3D 2F 3F)
++
++      movdqa    xmmC,xmmA
++      punpcklwd xmmA,xmmE     ; xmmA=(00 10 20 30 02 12 22 32 04 14 24 34 06 16 26 36)
++      punpckhwd xmmC,xmmE     ; xmmC=(08 18 28 38 0A 1A 2A 3A 0C 1C 2C 3C 0E 1E 2E 3E)
++      movdqa    xmmG,xmmB
++      punpcklwd xmmB,xmmF     ; xmmB=(01 11 21 31 03 13 23 33 05 15 25 35 07 17 27 37)
++      punpckhwd xmmG,xmmF     ; xmmG=(09 19 29 39 0B 1B 2B 3B 0D 1D 2D 3D 0F 1F 2F 3F)
++
++      movdqa    xmmD,xmmA
++      punpckldq xmmA,xmmB     ; xmmA=(00 10 20 30 01 11 21 31 02 12 22 32 03 13 23 33)
++      punpckhdq xmmD,xmmB     ; xmmD=(04 14 24 34 05 15 25 35 06 16 26 36 07 17 27 37)
++      movdqa    xmmH,xmmC
++      punpckldq xmmC,xmmG     ; xmmC=(08 18 28 38 09 19 29 39 0A 1A 2A 3A 0B 1B 2B 3B)
++      punpckhdq xmmH,xmmG     ; xmmH=(0C 1C 2C 3C 0D 1D 2D 3D 0E 1E 2E 3E 0F 1F 2F 3F)
++
++      cmp     ecx, byte SIZEOF_XMMWORD
++      jb      short .column_st32
++
++      test    edi, SIZEOF_XMMWORD-1
++      jnz     short .out1
++      ; --(aligned)-------------------
++      movntdq XMMWORD [edi+0*SIZEOF_XMMWORD], xmmA
++      movntdq XMMWORD [edi+1*SIZEOF_XMMWORD], xmmD
++      movntdq XMMWORD [edi+2*SIZEOF_XMMWORD], xmmC
++      movntdq XMMWORD [edi+3*SIZEOF_XMMWORD], xmmH
++      add     edi, byte RGB_PIXELSIZE*SIZEOF_XMMWORD  ; outptr
++      jmp     short .out0
++.out1:        ; --(unaligned)-----------------
++      pcmpeqb    xmmE,xmmE                    ; xmmE=(all 1's)
++      maskmovdqu xmmA,xmmE                    ; movntdqu XMMWORD [edi], xmmA
++      add     edi, byte SIZEOF_XMMWORD        ; outptr
++      maskmovdqu xmmD,xmmE                    ; movntdqu XMMWORD [edi], xmmD
++      add     edi, byte SIZEOF_XMMWORD        ; outptr
++      maskmovdqu xmmC,xmmE                    ; movntdqu XMMWORD [edi], xmmC
++      add     edi, byte SIZEOF_XMMWORD        ; outptr
++      maskmovdqu xmmH,xmmE                    ; movntdqu XMMWORD [edi], xmmH
++      add     edi, byte SIZEOF_XMMWORD        ; outptr
++.out0:
++      sub     ecx, byte SIZEOF_XMMWORD
++      jz      near .endcolumn
++
++      add     esi, byte SIZEOF_XMMWORD        ; inptr0
++      dec     al                      ; Yctr
++      jnz     near .Yloop_2nd
++
++      add     ebx, byte SIZEOF_XMMWORD        ; inptr1
++      add     edx, byte SIZEOF_XMMWORD        ; inptr2
++      jmp     near .columnloop
++      alignx  16,7
++
++.column_st32:
++      pcmpeqb xmmE,xmmE                       ; xmmE=(all 1's)
++      cmp     ecx, byte SIZEOF_XMMWORD/2
++      jb      short .column_st16
++      maskmovdqu xmmA,xmmE                    ; movntdqu XMMWORD [edi], xmmA
++      add     edi, byte SIZEOF_XMMWORD        ; outptr
++      maskmovdqu xmmD,xmmE                    ; movntdqu XMMWORD [edi], xmmD
++      add     edi, byte SIZEOF_XMMWORD        ; outptr
++      movdqa  xmmA,xmmC
++      movdqa  xmmD,xmmH
++      sub     ecx, byte SIZEOF_XMMWORD/2
++.column_st16:
++      cmp     ecx, byte SIZEOF_XMMWORD/4
++      jb      short .column_st15
++      maskmovdqu xmmA,xmmE                    ; movntdqu XMMWORD [edi], xmmA
++      add     edi, byte SIZEOF_XMMWORD        ; outptr
++      movdqa  xmmA,xmmD
++      sub     ecx, byte SIZEOF_XMMWORD/4
++.column_st15:
++      cmp     ecx, byte SIZEOF_XMMWORD/16
++      jb      short .endcolumn
++      mov     eax,ecx
++      xor     ecx, byte 0x03
++      inc     ecx
++      shl     ecx, 4
++      movd    xmmF,ecx
++      psrlq   xmmE,xmmF
++      punpcklbw xmmE,xmmE
++      ; ----------------
++      mov     ecx,edi
++      and     ecx, byte SIZEOF_XMMWORD-1
++      jz      short .adj0
++      lea     eax, [ecx+eax*4]        ; RGB_PIXELSIZE
++      cmp     eax, byte SIZEOF_XMMWORD
++      ja      short .adj0
++      and     edi, byte (-SIZEOF_XMMWORD)     ; align to 16-byte boundary
++      shl     ecx, 3                  ; pslldq xmmA,ecx & pslldq xmmE,ecx
++      movdqa  xmmB,xmmA
++      movdqa  xmmG,xmmE
++      pslldq  xmmA, SIZEOF_XMMWORD/2
++      pslldq  xmmE, SIZEOF_XMMWORD/2
++      movd    xmmC,ecx
++      sub     ecx, byte (SIZEOF_XMMWORD/2)*BYTE_BIT
++      jb      short .adj1
++      movd    xmmH,ecx
++      psllq   xmmA,xmmH
++      psllq   xmmE,xmmH
++      jmp     short .adj0
++.adj1:        neg     ecx
++      movd    xmmH,ecx
++      psrlq   xmmA,xmmH
++      psrlq   xmmE,xmmH
++      psllq   xmmB,xmmC
++      psllq   xmmG,xmmC
++      por     xmmA,xmmB
++      por     xmmE,xmmG
++.adj0:        ; ----------------
++      maskmovdqu xmmA,xmmE                    ; movntdqu XMMWORD [edi], xmmA
++
++%endif ; RGB_PIXELSIZE ; ---------------
++
++.endcolumn:
++      sfence          ; flush the write buffer
++
++.return:
++      pop     edi
++      pop     esi
++;     pop     edx             ; need not be preserved
++;     pop     ecx             ; need not be preserved
++      pop     ebx
++      mov     esp,ebp         ; esp <- aligned ebp
++      pop     esp             ; esp <- original ebp
++      pop     ebp
++      ret
++
++; --------------------------------------------------------------------------
++;
++; Upsample and color convert for the case of 2:1 horizontal and 2:1 vertical.
++;
++; GLOBAL(void)
++; jsimd_h2v2_merged_upsample_sse2 (JDIMENSION output_width,
++;                                  JSAMPIMAGE input_buf,
++;                                  JDIMENSION in_row_group_ctr,
++;                                  JSAMPARRAY output_buf);
++;
++
++%define output_width(b)       (b)+8                   ; JDIMENSION output_width
++%define input_buf(b)          (b)+12          ; JSAMPIMAGE input_buf
++%define in_row_group_ctr(b)   (b)+16          ; JDIMENSION in_row_group_ctr
++%define output_buf(b)         (b)+20          ; JSAMPARRAY output_buf
++
++      align   16
++      global  EXTN(jsimd_h2v2_merged_upsample_sse2)
++
++EXTN(jsimd_h2v2_merged_upsample_sse2):
++      push    ebp
++      mov     ebp,esp
++      push    ebx
++;     push    ecx             ; need not be preserved
++;     push    edx             ; need not be preserved
++      push    esi
++      push    edi
++
++      mov     eax, POINTER [output_width(ebp)]
++
++      mov     edi, JSAMPIMAGE [input_buf(ebp)]
++      mov     ecx, JDIMENSION [in_row_group_ctr(ebp)]
++      mov     esi, JSAMPARRAY [edi+0*SIZEOF_JSAMPARRAY]
++      mov     ebx, JSAMPARRAY [edi+1*SIZEOF_JSAMPARRAY]
++      mov     edx, JSAMPARRAY [edi+2*SIZEOF_JSAMPARRAY]
++      mov     edi, JSAMPARRAY [output_buf(ebp)]
++      lea     esi, [esi+ecx*SIZEOF_JSAMPROW]
++
++      push    edx                     ; inptr2
++      push    ebx                     ; inptr1
++      push    esi                     ; inptr00
++      mov     ebx,esp
++
++      push    edi                     ; output_buf (outptr0)
++      push    ecx                     ; in_row_group_ctr
++      push    ebx                     ; input_buf
++      push    eax                     ; output_width
++
++      call    near EXTN(jsimd_h2v1_merged_upsample_sse2)
++
++      add     esi, byte SIZEOF_JSAMPROW       ; inptr01
++      add     edi, byte SIZEOF_JSAMPROW       ; outptr1
++      mov     POINTER [ebx+0*SIZEOF_POINTER], esi
++      mov     POINTER [ebx-1*SIZEOF_POINTER], edi
++
++      call    near EXTN(jsimd_h2v1_merged_upsample_sse2)
++
++      add     esp, byte 7*SIZEOF_DWORD
++
++      pop     edi
++      pop     esi
++;     pop     edx             ; need not be preserved
++;     pop     ecx             ; need not be preserved
++      pop     ebx
++      pop     ebp
++      ret
++
index 0000000000000000000000000000000000000000,46fcf51a0055e75d2093011bb02ab6c5a3666944..bd967dba5b7b8cddeb82166403923b8f3e263307
mode 000000,100644..100644
--- /dev/null
@@@ -1,0 -1,883 +1,726 @@@
 -; Last Modified : February 4, 2006
 -;
+ ;
+ ; jdsamss2.asm - upsampling (SSE2)
+ ;
++; Copyright 2009 Pierre Ossman <ossman@cendio.se> for Cendio AB
++;
++; Based on
+ ; x86 SIMD extension for IJG JPEG library
+ ; Copyright (C) 1999-2006, MIYASAKA Masaru.
+ ; For conditions of distribution and use, see copyright notice in jsimdext.inc
+ ;
+ ; This file should be assembled with NASM (Netwide Assembler),
+ ; can *not* be assembled with Microsoft's MASM or any compatible
+ ; assembler (including Borland's Turbo Assembler).
+ ; NASM is available from http://nasm.sourceforge.net/ or
+ ; http://sourceforge.net/project/showfiles.php?group_id=6208
+ ;
 -%include "jsimdext.inc"
 -%include "jcolsamp.inc"
 -
 -%ifdef JDSAMPLE_FANCY_SSE2_SUPPORTED
+ ; [TAB8]
 -; jpeg_h2v1_fancy_upsample_sse2 (j_decompress_ptr cinfo,
 -;                                jpeg_component_info * compptr,
 -;                                JSAMPARRAY input_data,
 -;                                JSAMPARRAY * output_data_ptr);
++%include "simd/jsimdext.inc"
+ ; --------------------------------------------------------------------------
+       SECTION SEG_CONST
+       alignz  16
+       global  EXTN(jconst_fancy_upsample_sse2)
+ EXTN(jconst_fancy_upsample_sse2):
+ PW_ONE                times 8 dw  1
+ PW_TWO                times 8 dw  2
+ PW_THREE      times 8 dw  3
+ PW_SEVEN      times 8 dw  7
+ PW_EIGHT      times 8 dw  8
+       alignz  16
+ ; --------------------------------------------------------------------------
+       SECTION SEG_TEXT
+       BITS    32
+ ;
+ ; Fancy processing for the common case of 2:1 horizontal and 1:1 vertical.
+ ;
+ ; The upsampling algorithm is linear interpolation between pixel centers,
+ ; also known as a "triangle filter".  This is a good compromise between
+ ; speed and visual quality.  The centers of the output pixels are 1/4 and 3/4
+ ; of the way between input pixel centers.
+ ;
+ ; GLOBAL(void)
 -%define cinfo(b)              (b)+8           ; j_decompress_ptr cinfo
 -%define compptr(b)            (b)+12          ; jpeg_component_info * compptr
++; jsimd_h2v1_fancy_upsample_sse2 (int max_v_samp_factor,
++;                                 JDIMENSION downsampled_width,
++;                                 JSAMPARRAY input_data,
++;                                 JSAMPARRAY * output_data_ptr);
+ ;
 -      global  EXTN(jpeg_h2v1_fancy_upsample_sse2)
++%define max_v_samp(b)         (b)+8                   ; int max_v_samp_factor
++%define downsamp_width(b)     (b)+12  ; JDIMENSION downsampled_width
+ %define input_data(b)         (b)+16          ; JSAMPARRAY input_data
+ %define output_data_ptr(b)    (b)+20          ; JSAMPARRAY * output_data_ptr
+       align   16
 -EXTN(jpeg_h2v1_fancy_upsample_sse2):
++      global  EXTN(jsimd_h2v1_fancy_upsample_sse2)
 -      mov     eax, POINTER [compptr(ebp)]
 -      mov     eax, JDIMENSION [jcompinfo_downsampled_width(eax)]  ; colctr
++EXTN(jsimd_h2v1_fancy_upsample_sse2):
+       push    ebp
+       mov     ebp,esp
+       pushpic ebx
+ ;     push    ecx             ; need not be preserved
+ ;     push    edx             ; need not be preserved
+       push    esi
+       push    edi
+       get_GOT ebx             ; get GOT address
 -      mov     ecx, POINTER [cinfo(ebp)]
 -      mov     ecx, INT [jdstruct_max_v_samp_factor(ecx)]      ; rowctr
++      mov     eax, JDIMENSION [downsamp_width(ebp)]  ; colctr
+       test    eax,eax
+       jz      near .return
 -; jpeg_h2v2_fancy_upsample_sse2 (j_decompress_ptr cinfo,
 -;                                jpeg_component_info * compptr,
 -;                                JSAMPARRAY input_data,
 -;                                JSAMPARRAY * output_data_ptr);
++      mov     ecx, INT [max_v_samp(ebp)]      ; rowctr
+       test    ecx,ecx
+       jz      near .return
+       mov     esi, JSAMPARRAY [input_data(ebp)]       ; input_data
+       mov     edi, POINTER [output_data_ptr(ebp)]
+       mov     edi, JSAMPARRAY [edi]                   ; output_data
+       alignx  16,7
+ .rowloop:
+       push    eax                     ; colctr
+       push    edi
+       push    esi
+       mov     esi, JSAMPROW [esi]     ; inptr
+       mov     edi, JSAMPROW [edi]     ; outptr
+       test    eax, SIZEOF_XMMWORD-1
+       jz      short .skip
+       mov     dl, JSAMPLE [esi+(eax-1)*SIZEOF_JSAMPLE]
+       mov     JSAMPLE [esi+eax*SIZEOF_JSAMPLE], dl    ; insert a dummy sample
+ .skip:
+       pxor    xmm0,xmm0               ; xmm0=(all 0's)
+       pcmpeqb xmm7,xmm7
+       psrldq  xmm7,(SIZEOF_XMMWORD-1)
+       pand    xmm7, XMMWORD [esi+0*SIZEOF_XMMWORD]
+       add     eax, byte SIZEOF_XMMWORD-1
+       and     eax, byte -SIZEOF_XMMWORD
+       cmp     eax, byte SIZEOF_XMMWORD
+       ja      short .columnloop
+       alignx  16,7
+ .columnloop_last:
+       pcmpeqb xmm6,xmm6
+       pslldq  xmm6,(SIZEOF_XMMWORD-1)
+       pand    xmm6, XMMWORD [esi+0*SIZEOF_XMMWORD]
+       jmp     short .upsample
+       alignx  16,7
+ .columnloop:
+       movdqa  xmm6, XMMWORD [esi+1*SIZEOF_XMMWORD]
+       pslldq  xmm6,(SIZEOF_XMMWORD-1)
+ .upsample:
+       movdqa  xmm1, XMMWORD [esi+0*SIZEOF_XMMWORD]
+       movdqa  xmm2,xmm1
+       movdqa  xmm3,xmm1               ; xmm1=( 0  1  2 ... 13 14 15)
+       pslldq  xmm2,1                  ; xmm2=(--  0  1 ... 12 13 14)
+       psrldq  xmm3,1                  ; xmm3=( 1  2  3 ... 14 15 --)
+       por     xmm2,xmm7               ; xmm2=(-1  0  1 ... 12 13 14)
+       por     xmm3,xmm6               ; xmm3=( 1  2  3 ... 14 15 16)
+       movdqa  xmm7,xmm1
+       psrldq  xmm7,(SIZEOF_XMMWORD-1) ; xmm7=(15 -- -- ... -- -- --)
+       movdqa    xmm4,xmm1
+       punpcklbw xmm1,xmm0             ; xmm1=( 0  1  2  3  4  5  6  7)
+       punpckhbw xmm4,xmm0             ; xmm4=( 8  9 10 11 12 13 14 15)
+       movdqa    xmm5,xmm2
+       punpcklbw xmm2,xmm0             ; xmm2=(-1  0  1  2  3  4  5  6)
+       punpckhbw xmm5,xmm0             ; xmm5=( 7  8  9 10 11 12 13 14)
+       movdqa    xmm6,xmm3
+       punpcklbw xmm3,xmm0             ; xmm3=( 1  2  3  4  5  6  7  8)
+       punpckhbw xmm6,xmm0             ; xmm6=( 9 10 11 12 13 14 15 16)
+       pmullw  xmm1,[GOTOFF(ebx,PW_THREE)]
+       pmullw  xmm4,[GOTOFF(ebx,PW_THREE)]
+       paddw   xmm2,[GOTOFF(ebx,PW_ONE)]
+       paddw   xmm5,[GOTOFF(ebx,PW_ONE)]
+       paddw   xmm3,[GOTOFF(ebx,PW_TWO)]
+       paddw   xmm6,[GOTOFF(ebx,PW_TWO)]
+       paddw   xmm2,xmm1
+       paddw   xmm5,xmm4
+       psrlw   xmm2,2                  ; xmm2=OutLE=( 0  2  4  6  8 10 12 14)
+       psrlw   xmm5,2                  ; xmm5=OutHE=(16 18 20 22 24 26 28 30)
+       paddw   xmm3,xmm1
+       paddw   xmm6,xmm4
+       psrlw   xmm3,2                  ; xmm3=OutLO=( 1  3  5  7  9 11 13 15)
+       psrlw   xmm6,2                  ; xmm6=OutHO=(17 19 21 23 25 27 29 31)
+       psllw   xmm3,BYTE_BIT
+       psllw   xmm6,BYTE_BIT
+       por     xmm2,xmm3               ; xmm2=OutL=( 0  1  2 ... 13 14 15)
+       por     xmm5,xmm6               ; xmm5=OutH=(16 17 18 ... 29 30 31)
+       movdqa  XMMWORD [edi+0*SIZEOF_XMMWORD], xmm2
+       movdqa  XMMWORD [edi+1*SIZEOF_XMMWORD], xmm5
+       sub     eax, byte SIZEOF_XMMWORD
+       add     esi, byte 1*SIZEOF_XMMWORD      ; inptr
+       add     edi, byte 2*SIZEOF_XMMWORD      ; outptr
+       cmp     eax, byte SIZEOF_XMMWORD
+       ja      near .columnloop
+       test    eax,eax
+       jnz     near .columnloop_last
+       pop     esi
+       pop     edi
+       pop     eax
+       add     esi, byte SIZEOF_JSAMPROW       ; input_data
+       add     edi, byte SIZEOF_JSAMPROW       ; output_data
+       dec     ecx                             ; rowctr
+       jg      near .rowloop
+ .return:
+       pop     edi
+       pop     esi
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; need not be preserved
+       poppic  ebx
+       pop     ebp
+       ret
+ ; --------------------------------------------------------------------------
+ ;
+ ; Fancy processing for the common case of 2:1 horizontal and 2:1 vertical.
+ ; Again a triangle filter; see comments for h2v1 case, above.
+ ;
+ ; GLOBAL(void)
 -%define cinfo(b)              (b)+8           ; j_decompress_ptr cinfo
 -%define compptr(b)            (b)+12          ; jpeg_component_info * compptr
++; jsimd_h2v2_fancy_upsample_sse2 (int max_v_samp_factor,
++;                                 JDIMENSION downsampled_width,
++;                                 JSAMPARRAY input_data,
++;                                 JSAMPARRAY * output_data_ptr);
+ ;
 -      global  EXTN(jpeg_h2v2_fancy_upsample_sse2)
++%define max_v_samp(b)         (b)+8                   ; int max_v_samp_factor
++%define downsamp_width(b)     (b)+12  ; JDIMENSION downsampled_width
+ %define input_data(b)         (b)+16          ; JSAMPARRAY input_data
+ %define output_data_ptr(b)    (b)+20          ; JSAMPARRAY * output_data_ptr
+ %define original_ebp  ebp+0
+ %define wk(i)         ebp-(WK_NUM-(i))*SIZEOF_XMMWORD ; xmmword wk[WK_NUM]
+ %define WK_NUM                4
+ %define gotptr                wk(0)-SIZEOF_POINTER    ; void * gotptr
+       align   16
 -EXTN(jpeg_h2v2_fancy_upsample_sse2):
++      global  EXTN(jsimd_h2v2_fancy_upsample_sse2)
 -      mov     eax, POINTER [compptr(edx)]
 -      mov     eax, JDIMENSION [jcompinfo_downsampled_width(eax)]  ; colctr
++EXTN(jsimd_h2v2_fancy_upsample_sse2):
+       push    ebp
+       mov     eax,esp                         ; eax = original ebp
+       sub     esp, byte 4
+       and     esp, byte (-SIZEOF_XMMWORD)     ; align to 128 bits
+       mov     [esp],eax
+       mov     ebp,esp                         ; ebp = aligned ebp
+       lea     esp, [wk(0)]
+       pushpic eax             ; make a room for GOT address
+       push    ebx
+ ;     push    ecx             ; need not be preserved
+ ;     push    edx             ; need not be preserved
+       push    esi
+       push    edi
+       get_GOT ebx                     ; get GOT address
+       movpic  POINTER [gotptr], ebx   ; save GOT address
+       mov     edx,eax                         ; edx = original ebp
 -      mov     ecx, POINTER [cinfo(edx)]
 -      mov     ecx, INT [jdstruct_max_v_samp_factor(ecx)]      ; rowctr
++      mov     eax, JDIMENSION [downsamp_width(edx)]  ; colctr
+       test    eax,eax
+       jz      near .return
 -%ifdef UPSAMPLE_H1V2_SUPPORTED
 -
 -; --------------------------------------------------------------------------
 -;
 -; Fancy processing for the common case of 1:1 horizontal and 2:1 vertical.
 -; Again a triangle filter; see comments for h2v1 case, above.
 -;
 -; GLOBAL(void)
 -; jpeg_h1v2_fancy_upsample_sse2 (j_decompress_ptr cinfo,
 -;                                jpeg_component_info * compptr,
 -;                                JSAMPARRAY input_data,
 -;                                JSAMPARRAY * output_data_ptr);
 -;
 -
 -%define cinfo(b)              (b)+8           ; j_decompress_ptr cinfo
 -%define compptr(b)            (b)+12          ; jpeg_component_info * compptr
 -%define input_data(b)         (b)+16          ; JSAMPARRAY input_data
 -%define output_data_ptr(b)    (b)+20          ; JSAMPARRAY * output_data_ptr
 -
 -%define gotptr                ebp-SIZEOF_POINTER      ; void * gotptr
 -
 -      align   16
 -      global  EXTN(jpeg_h1v2_fancy_upsample_sse2)
 -
 -EXTN(jpeg_h1v2_fancy_upsample_sse2):
 -      push    ebp
 -      mov     ebp,esp
 -      pushpic eax             ; make a room for GOT address
 -      push    ebx
 -;     push    ecx             ; need not be preserved
 -;     push    edx             ; need not be preserved
 -      push    esi
 -      push    edi
 -
 -      get_GOT ebx                     ; get GOT address
 -      movpic  POINTER [gotptr], ebx   ; save GOT address
 -
 -      mov     eax, POINTER [compptr(ebp)]
 -      mov     eax, JDIMENSION [jcompinfo_downsampled_width(eax)]  ; colctr
 -      add     eax, byte SIZEOF_XMMWORD-1
 -      and     eax, byte -SIZEOF_XMMWORD
 -      jz      near .return
 -
 -      mov     ecx, POINTER [cinfo(ebp)]
 -      mov     ecx, INT [jdstruct_max_v_samp_factor(ecx)]      ; rowctr
 -      test    ecx,ecx
 -      jz      near .return
 -
 -      mov     esi, JSAMPARRAY [input_data(ebp)]       ; input_data
 -      mov     edi, POINTER [output_data_ptr(ebp)]
 -      mov     edi, JSAMPARRAY [edi]                   ; output_data
 -      alignx  16,7
 -.rowloop:
 -      push    eax                                     ; colctr
 -      push    ecx
 -      push    edi
 -      push    esi
 -
 -      mov     ecx, JSAMPROW [esi-1*SIZEOF_JSAMPROW]   ; inptr1(above)
 -      mov     ebx, JSAMPROW [esi+0*SIZEOF_JSAMPROW]   ; inptr0
 -      mov     esi, JSAMPROW [esi+1*SIZEOF_JSAMPROW]   ; inptr1(below)
 -      mov     edx, JSAMPROW [edi+0*SIZEOF_JSAMPROW]   ; outptr0
 -      mov     edi, JSAMPROW [edi+1*SIZEOF_JSAMPROW]   ; outptr1
 -
 -      pxor    xmm0,xmm0               ; xmm0=(all 0's)
 -      alignx  16,7
 -
 -.columnloop:
 -      movdqa  xmm1, XMMWORD [ebx]     ; xmm1=row[ 0]( 0  1  2 ... 13 14 15)
 -      movdqa  xmm2, XMMWORD [ecx]     ; xmm2=row[-1]( 0  1  2 ... 13 14 15)
 -      movdqa  xmm3, XMMWORD [esi]     ; xmm3=row[+1]( 0  1  2 ... 13 14 15)
 -
 -      pushpic ebx
 -      movpic  ebx, POINTER [gotptr]   ; load GOT address
 -
 -      movdqa    xmm4,xmm1
 -      punpcklbw xmm1,xmm0             ; xmm1=row[ 0]( 0  1  2  3  4  5  6  7)
 -      punpckhbw xmm4,xmm0             ; xmm4=row[ 0]( 8  9 10 11 12 13 14 15)
 -      movdqa    xmm5,xmm2
 -      punpcklbw xmm2,xmm0             ; xmm2=row[-1]( 0  1  2  3  4  5  6  7)
 -      punpckhbw xmm5,xmm0             ; xmm5=row[-1]( 8  9 10 11 12 13 14 15)
 -      movdqa    xmm6,xmm3
 -      punpcklbw xmm3,xmm0             ; xmm3=row[+1]( 0  1  2  3  4  5  6  7)
 -      punpckhbw xmm6,xmm0             ; xmm6=row[+1]( 8  9 10 11 12 13 14 15)
 -
 -      pmullw  xmm1,[GOTOFF(ebx,PW_THREE)]
 -      pmullw  xmm4,[GOTOFF(ebx,PW_THREE)]
 -      paddw   xmm2,[GOTOFF(ebx,PW_ONE)]
 -      paddw   xmm5,[GOTOFF(ebx,PW_ONE)]
 -      paddw   xmm3,[GOTOFF(ebx,PW_TWO)]
 -      paddw   xmm6,[GOTOFF(ebx,PW_TWO)]
 -
 -      paddw   xmm2,xmm1
 -      paddw   xmm5,xmm4
 -      psrlw   xmm2,2                  ; xmm2=Out0L=( 0  1  2  3  4  5  6  7)
 -      psrlw   xmm5,2                  ; xmm5=Out0H=( 8  9 10 11 12 13 14 15)
 -      paddw   xmm3,xmm1
 -      paddw   xmm6,xmm4
 -      psrlw   xmm3,2                  ; xmm3=Out1L=( 0  1  2  3  4  5  6  7)
 -      psrlw   xmm6,2                  ; xmm6=Out1H=( 8  9 10 11 12 13 14 15)
 -
 -      packuswb  xmm2,xmm5             ; xmm2=Out0=( 0  1  2 ... 13 14 15)
 -      packuswb  xmm3,xmm6             ; xmm3=Out1=( 0  1  2 ... 13 14 15)
 -
 -      movdqa  XMMWORD [edx], xmm2
 -      movdqa  XMMWORD [edi], xmm3
 -
 -      poppic  ebx
 -
 -      add     ecx, byte 1*SIZEOF_XMMWORD      ; inptr1(above)
 -      add     ebx, byte 1*SIZEOF_XMMWORD      ; inptr0
 -      add     esi, byte 1*SIZEOF_XMMWORD      ; inptr1(below)
 -      add     edx, byte 1*SIZEOF_XMMWORD      ; outptr0
 -      add     edi, byte 1*SIZEOF_XMMWORD      ; outptr1
 -      sub     eax, byte SIZEOF_XMMWORD
 -      jnz     near .columnloop
 -
 -      pop     esi
 -      pop     edi
 -      pop     ecx
 -      pop     eax
 -
 -      add     esi, byte 1*SIZEOF_JSAMPROW     ; input_data
 -      add     edi, byte 2*SIZEOF_JSAMPROW     ; output_data
 -      sub     ecx, byte 2                     ; rowctr
 -      jg      near .rowloop
 -
 -.return:
 -      pop     edi
 -      pop     esi
 -;     pop     edx             ; need not be preserved
 -;     pop     ecx             ; need not be preserved
 -      pop     ebx
 -      poppic  eax             ; remove gotptr
 -      pop     ebp
 -      ret
 -
 -%endif ; UPSAMPLE_H1V2_SUPPORTED
 -%endif ; JDSAMPLE_FANCY_SSE2_SUPPORTED
 -
 -%ifdef JDSAMPLE_SIMPLE_SSE2_SUPPORTED
 -
 -%ifndef JDSAMPLE_FANCY_SSE2_SUPPORTED
++      mov     ecx, INT [max_v_samp(edx)]      ; rowctr
+       test    ecx,ecx
+       jz      near .return
+       mov     esi, JSAMPARRAY [input_data(edx)]       ; input_data
+       mov     edi, POINTER [output_data_ptr(edx)]
+       mov     edi, JSAMPARRAY [edi]                   ; output_data
+       alignx  16,7
+ .rowloop:
+       push    eax                                     ; colctr
+       push    ecx
+       push    edi
+       push    esi
+       mov     ecx, JSAMPROW [esi-1*SIZEOF_JSAMPROW]   ; inptr1(above)
+       mov     ebx, JSAMPROW [esi+0*SIZEOF_JSAMPROW]   ; inptr0
+       mov     esi, JSAMPROW [esi+1*SIZEOF_JSAMPROW]   ; inptr1(below)
+       mov     edx, JSAMPROW [edi+0*SIZEOF_JSAMPROW]   ; outptr0
+       mov     edi, JSAMPROW [edi+1*SIZEOF_JSAMPROW]   ; outptr1
+       test    eax, SIZEOF_XMMWORD-1
+       jz      short .skip
+       push    edx
+       mov     dl, JSAMPLE [ecx+(eax-1)*SIZEOF_JSAMPLE]
+       mov     JSAMPLE [ecx+eax*SIZEOF_JSAMPLE], dl
+       mov     dl, JSAMPLE [ebx+(eax-1)*SIZEOF_JSAMPLE]
+       mov     JSAMPLE [ebx+eax*SIZEOF_JSAMPLE], dl
+       mov     dl, JSAMPLE [esi+(eax-1)*SIZEOF_JSAMPLE]
+       mov     JSAMPLE [esi+eax*SIZEOF_JSAMPLE], dl    ; insert a dummy sample
+       pop     edx
+ .skip:
+       ; -- process the first column block
+       movdqa  xmm0, XMMWORD [ebx+0*SIZEOF_XMMWORD]    ; xmm0=row[ 0][0]
+       movdqa  xmm1, XMMWORD [ecx+0*SIZEOF_XMMWORD]    ; xmm1=row[-1][0]
+       movdqa  xmm2, XMMWORD [esi+0*SIZEOF_XMMWORD]    ; xmm2=row[+1][0]
+       pushpic ebx
+       movpic  ebx, POINTER [gotptr]   ; load GOT address
+       pxor      xmm3,xmm3             ; xmm3=(all 0's)
+       movdqa    xmm4,xmm0
+       punpcklbw xmm0,xmm3             ; xmm0=row[ 0]( 0  1  2  3  4  5  6  7)
+       punpckhbw xmm4,xmm3             ; xmm4=row[ 0]( 8  9 10 11 12 13 14 15)
+       movdqa    xmm5,xmm1
+       punpcklbw xmm1,xmm3             ; xmm1=row[-1]( 0  1  2  3  4  5  6  7)
+       punpckhbw xmm5,xmm3             ; xmm5=row[-1]( 8  9 10 11 12 13 14 15)
+       movdqa    xmm6,xmm2
+       punpcklbw xmm2,xmm3             ; xmm2=row[+1]( 0  1  2  3  4  5  6  7)
+       punpckhbw xmm6,xmm3             ; xmm6=row[+1]( 8  9 10 11 12 13 14 15)
+       pmullw  xmm0,[GOTOFF(ebx,PW_THREE)]
+       pmullw  xmm4,[GOTOFF(ebx,PW_THREE)]
+       pcmpeqb xmm7,xmm7
+       psrldq  xmm7,(SIZEOF_XMMWORD-2)
+       paddw   xmm1,xmm0               ; xmm1=Int0L=( 0  1  2  3  4  5  6  7)
+       paddw   xmm5,xmm4               ; xmm5=Int0H=( 8  9 10 11 12 13 14 15)
+       paddw   xmm2,xmm0               ; xmm2=Int1L=( 0  1  2  3  4  5  6  7)
+       paddw   xmm6,xmm4               ; xmm6=Int1H=( 8  9 10 11 12 13 14 15)
+       movdqa  XMMWORD [edx+0*SIZEOF_XMMWORD], xmm1    ; temporarily save
+       movdqa  XMMWORD [edx+1*SIZEOF_XMMWORD], xmm5    ; the intermediate data
+       movdqa  XMMWORD [edi+0*SIZEOF_XMMWORD], xmm2
+       movdqa  XMMWORD [edi+1*SIZEOF_XMMWORD], xmm6
+       pand    xmm1,xmm7               ; xmm1=( 0 -- -- -- -- -- -- --)
+       pand    xmm2,xmm7               ; xmm2=( 0 -- -- -- -- -- -- --)
+       movdqa  XMMWORD [wk(0)], xmm1
+       movdqa  XMMWORD [wk(1)], xmm2
+       poppic  ebx
+       add     eax, byte SIZEOF_XMMWORD-1
+       and     eax, byte -SIZEOF_XMMWORD
+       cmp     eax, byte SIZEOF_XMMWORD
+       ja      short .columnloop
+       alignx  16,7
+ .columnloop_last:
+       ; -- process the last column block
+       pushpic ebx
+       movpic  ebx, POINTER [gotptr]   ; load GOT address
+       pcmpeqb xmm1,xmm1
+       pslldq  xmm1,(SIZEOF_XMMWORD-2)
+       movdqa  xmm2,xmm1
+       pand    xmm1, XMMWORD [edx+1*SIZEOF_XMMWORD]
+       pand    xmm2, XMMWORD [edi+1*SIZEOF_XMMWORD]
+       movdqa  XMMWORD [wk(2)], xmm1   ; xmm1=(-- -- -- -- -- -- -- 15)
+       movdqa  XMMWORD [wk(3)], xmm2   ; xmm2=(-- -- -- -- -- -- -- 15)
+       jmp     near .upsample
+       alignx  16,7
+ .columnloop:
+       ; -- process the next column block
+       movdqa  xmm0, XMMWORD [ebx+1*SIZEOF_XMMWORD]    ; xmm0=row[ 0][1]
+       movdqa  xmm1, XMMWORD [ecx+1*SIZEOF_XMMWORD]    ; xmm1=row[-1][1]
+       movdqa  xmm2, XMMWORD [esi+1*SIZEOF_XMMWORD]    ; xmm2=row[+1][1]
+       pushpic ebx
+       movpic  ebx, POINTER [gotptr]   ; load GOT address
+       pxor      xmm3,xmm3             ; xmm3=(all 0's)
+       movdqa    xmm4,xmm0
+       punpcklbw xmm0,xmm3             ; xmm0=row[ 0]( 0  1  2  3  4  5  6  7)
+       punpckhbw xmm4,xmm3             ; xmm4=row[ 0]( 8  9 10 11 12 13 14 15)
+       movdqa    xmm5,xmm1
+       punpcklbw xmm1,xmm3             ; xmm1=row[-1]( 0  1  2  3  4  5  6  7)
+       punpckhbw xmm5,xmm3             ; xmm5=row[-1]( 8  9 10 11 12 13 14 15)
+       movdqa    xmm6,xmm2
+       punpcklbw xmm2,xmm3             ; xmm2=row[+1]( 0  1  2  3  4  5  6  7)
+       punpckhbw xmm6,xmm3             ; xmm6=row[+1]( 8  9 10 11 12 13 14 15)
+       pmullw  xmm0,[GOTOFF(ebx,PW_THREE)]
+       pmullw  xmm4,[GOTOFF(ebx,PW_THREE)]
+       paddw   xmm1,xmm0               ; xmm1=Int0L=( 0  1  2  3  4  5  6  7)
+       paddw   xmm5,xmm4               ; xmm5=Int0H=( 8  9 10 11 12 13 14 15)
+       paddw   xmm2,xmm0               ; xmm2=Int1L=( 0  1  2  3  4  5  6  7)
+       paddw   xmm6,xmm4               ; xmm6=Int1H=( 8  9 10 11 12 13 14 15)
+       movdqa  XMMWORD [edx+2*SIZEOF_XMMWORD], xmm1    ; temporarily save
+       movdqa  XMMWORD [edx+3*SIZEOF_XMMWORD], xmm5    ; the intermediate data
+       movdqa  XMMWORD [edi+2*SIZEOF_XMMWORD], xmm2
+       movdqa  XMMWORD [edi+3*SIZEOF_XMMWORD], xmm6
+       pslldq  xmm1,(SIZEOF_XMMWORD-2) ; xmm1=(-- -- -- -- -- -- --  0)
+       pslldq  xmm2,(SIZEOF_XMMWORD-2) ; xmm2=(-- -- -- -- -- -- --  0)
+       movdqa  XMMWORD [wk(2)], xmm1
+       movdqa  XMMWORD [wk(3)], xmm2
+ .upsample:
+       ; -- process the upper row
+       movdqa  xmm7, XMMWORD [edx+0*SIZEOF_XMMWORD]
+       movdqa  xmm3, XMMWORD [edx+1*SIZEOF_XMMWORD]
+       movdqa  xmm0,xmm7               ; xmm7=Int0L=( 0  1  2  3  4  5  6  7)
+       movdqa  xmm4,xmm3               ; xmm3=Int0H=( 8  9 10 11 12 13 14 15)
+       psrldq  xmm0,2                  ; xmm0=( 1  2  3  4  5  6  7 --)
+       pslldq  xmm4,(SIZEOF_XMMWORD-2) ; xmm4=(-- -- -- -- -- -- --  8)
+       movdqa  xmm5,xmm7
+       movdqa  xmm6,xmm3
+       psrldq  xmm5,(SIZEOF_XMMWORD-2) ; xmm5=( 7 -- -- -- -- -- -- --)
+       pslldq  xmm6,2                  ; xmm6=(--  8  9 10 11 12 13 14)
+       por     xmm0,xmm4               ; xmm0=( 1  2  3  4  5  6  7  8)
+       por     xmm5,xmm6               ; xmm5=( 7  8  9 10 11 12 13 14)
+       movdqa  xmm1,xmm7
+       movdqa  xmm2,xmm3
+       pslldq  xmm1,2                  ; xmm1=(--  0  1  2  3  4  5  6)
+       psrldq  xmm2,2                  ; xmm2=( 9 10 11 12 13 14 15 --)
+       movdqa  xmm4,xmm3
+       psrldq  xmm4,(SIZEOF_XMMWORD-2) ; xmm4=(15 -- -- -- -- -- -- --)
+       por     xmm1, XMMWORD [wk(0)]   ; xmm1=(-1  0  1  2  3  4  5  6)
+       por     xmm2, XMMWORD [wk(2)]   ; xmm2=( 9 10 11 12 13 14 15 16)
+       movdqa  XMMWORD [wk(0)], xmm4
+       pmullw  xmm7,[GOTOFF(ebx,PW_THREE)]
+       pmullw  xmm3,[GOTOFF(ebx,PW_THREE)]
+       paddw   xmm1,[GOTOFF(ebx,PW_EIGHT)]
+       paddw   xmm5,[GOTOFF(ebx,PW_EIGHT)]
+       paddw   xmm0,[GOTOFF(ebx,PW_SEVEN)]
+       paddw   xmm2,[GOTOFF(ebx,PW_SEVEN)]
+       paddw   xmm1,xmm7
+       paddw   xmm5,xmm3
+       psrlw   xmm1,4                  ; xmm1=Out0LE=( 0  2  4  6  8 10 12 14)
+       psrlw   xmm5,4                  ; xmm5=Out0HE=(16 18 20 22 24 26 28 30)
+       paddw   xmm0,xmm7
+       paddw   xmm2,xmm3
+       psrlw   xmm0,4                  ; xmm0=Out0LO=( 1  3  5  7  9 11 13 15)
+       psrlw   xmm2,4                  ; xmm2=Out0HO=(17 19 21 23 25 27 29 31)
+       psllw   xmm0,BYTE_BIT
+       psllw   xmm2,BYTE_BIT
+       por     xmm1,xmm0               ; xmm1=Out0L=( 0  1  2 ... 13 14 15)
+       por     xmm5,xmm2               ; xmm5=Out0H=(16 17 18 ... 29 30 31)
+       movdqa  XMMWORD [edx+0*SIZEOF_XMMWORD], xmm1
+       movdqa  XMMWORD [edx+1*SIZEOF_XMMWORD], xmm5
+       ; -- process the lower row
+       movdqa  xmm6, XMMWORD [edi+0*SIZEOF_XMMWORD]
+       movdqa  xmm4, XMMWORD [edi+1*SIZEOF_XMMWORD]
+       movdqa  xmm7,xmm6               ; xmm6=Int1L=( 0  1  2  3  4  5  6  7)
+       movdqa  xmm3,xmm4               ; xmm4=Int1H=( 8  9 10 11 12 13 14 15)
+       psrldq  xmm7,2                  ; xmm7=( 1  2  3  4  5  6  7 --)
+       pslldq  xmm3,(SIZEOF_XMMWORD-2) ; xmm3=(-- -- -- -- -- -- --  8)
+       movdqa  xmm0,xmm6
+       movdqa  xmm2,xmm4
+       psrldq  xmm0,(SIZEOF_XMMWORD-2) ; xmm0=( 7 -- -- -- -- -- -- --)
+       pslldq  xmm2,2                  ; xmm2=(--  8  9 10 11 12 13 14)
+       por     xmm7,xmm3               ; xmm7=( 1  2  3  4  5  6  7  8)
+       por     xmm0,xmm2               ; xmm0=( 7  8  9 10 11 12 13 14)
+       movdqa  xmm1,xmm6
+       movdqa  xmm5,xmm4
+       pslldq  xmm1,2                  ; xmm1=(--  0  1  2  3  4  5  6)
+       psrldq  xmm5,2                  ; xmm5=( 9 10 11 12 13 14 15 --)
+       movdqa  xmm3,xmm4
+       psrldq  xmm3,(SIZEOF_XMMWORD-2) ; xmm3=(15 -- -- -- -- -- -- --)
+       por     xmm1, XMMWORD [wk(1)]   ; xmm1=(-1  0  1  2  3  4  5  6)
+       por     xmm5, XMMWORD [wk(3)]   ; xmm5=( 9 10 11 12 13 14 15 16)
+       movdqa  XMMWORD [wk(1)], xmm3
+       pmullw  xmm6,[GOTOFF(ebx,PW_THREE)]
+       pmullw  xmm4,[GOTOFF(ebx,PW_THREE)]
+       paddw   xmm1,[GOTOFF(ebx,PW_EIGHT)]
+       paddw   xmm0,[GOTOFF(ebx,PW_EIGHT)]
+       paddw   xmm7,[GOTOFF(ebx,PW_SEVEN)]
+       paddw   xmm5,[GOTOFF(ebx,PW_SEVEN)]
+       paddw   xmm1,xmm6
+       paddw   xmm0,xmm4
+       psrlw   xmm1,4                  ; xmm1=Out1LE=( 0  2  4  6  8 10 12 14)
+       psrlw   xmm0,4                  ; xmm0=Out1HE=(16 18 20 22 24 26 28 30)
+       paddw   xmm7,xmm6
+       paddw   xmm5,xmm4
+       psrlw   xmm7,4                  ; xmm7=Out1LO=( 1  3  5  7  9 11 13 15)
+       psrlw   xmm5,4                  ; xmm5=Out1HO=(17 19 21 23 25 27 29 31)
+       psllw   xmm7,BYTE_BIT
+       psllw   xmm5,BYTE_BIT
+       por     xmm1,xmm7               ; xmm1=Out1L=( 0  1  2 ... 13 14 15)
+       por     xmm0,xmm5               ; xmm0=Out1H=(16 17 18 ... 29 30 31)
+       movdqa  XMMWORD [edi+0*SIZEOF_XMMWORD], xmm1
+       movdqa  XMMWORD [edi+1*SIZEOF_XMMWORD], xmm0
+       poppic  ebx
+       sub     eax, byte SIZEOF_XMMWORD
+       add     ecx, byte 1*SIZEOF_XMMWORD      ; inptr1(above)
+       add     ebx, byte 1*SIZEOF_XMMWORD      ; inptr0
+       add     esi, byte 1*SIZEOF_XMMWORD      ; inptr1(below)
+       add     edx, byte 2*SIZEOF_XMMWORD      ; outptr0
+       add     edi, byte 2*SIZEOF_XMMWORD      ; outptr1
+       cmp     eax, byte SIZEOF_XMMWORD
+       ja      near .columnloop
+       test    eax,eax
+       jnz     near .columnloop_last
+       pop     esi
+       pop     edi
+       pop     ecx
+       pop     eax
+       add     esi, byte 1*SIZEOF_JSAMPROW     ; input_data
+       add     edi, byte 2*SIZEOF_JSAMPROW     ; output_data
+       sub     ecx, byte 2                     ; rowctr
+       jg      near .rowloop
+ .return:
+       pop     edi
+       pop     esi
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; need not be preserved
+       pop     ebx
+       mov     esp,ebp         ; esp <- aligned ebp
+       pop     esp             ; esp <- original ebp
+       pop     ebp
+       ret
 -      SECTION SEG_TEXT
 -      BITS    32
 -%endif
+ ; --------------------------------------------------------------------------
 -; jpeg_h2v1_upsample_sse2 (j_decompress_ptr cinfo,
 -;                          jpeg_component_info * compptr,
 -;                          JSAMPARRAY input_data,
 -;                          JSAMPARRAY * output_data_ptr);
+ ;
+ ; Fast processing for the common case of 2:1 horizontal and 1:1 vertical.
+ ; It's still a box filter.
+ ;
+ ; GLOBAL(void)
 -%define cinfo(b)              (b)+8           ; j_decompress_ptr cinfo
 -%define compptr(b)            (b)+12          ; jpeg_component_info * compptr
++; jsimd_h2v1_upsample_sse2 (int max_v_samp_factor,
++;                           JDIMENSION output_width,
++;                           JSAMPARRAY input_data,
++;                           JSAMPARRAY * output_data_ptr);
+ ;
 -      global  EXTN(jpeg_h2v1_upsample_sse2)
++%define max_v_samp(b)         (b)+8                   ; int max_v_samp_factor
++%define output_width(b)       (b)+12          ; JDIMENSION output_width
+ %define input_data(b)         (b)+16          ; JSAMPARRAY input_data
+ %define output_data_ptr(b)    (b)+20          ; JSAMPARRAY * output_data_ptr
+       align   16
 -EXTN(jpeg_h2v1_upsample_sse2):
++      global  EXTN(jsimd_h2v1_upsample_sse2)
 -      mov     edx, POINTER [cinfo(ebp)]
 -      mov     edx, JDIMENSION [jdstruct_output_width(edx)]
++EXTN(jsimd_h2v1_upsample_sse2):
+       push    ebp
+       mov     ebp,esp
+ ;     push    ebx             ; unused
+ ;     push    ecx             ; need not be preserved
+ ;     push    edx             ; need not be preserved
+       push    esi
+       push    edi
 -      mov     ecx, POINTER [cinfo(ebp)]
 -      mov     ecx, INT [jdstruct_max_v_samp_factor(ecx)]      ; rowctr
++      mov     edx, JDIMENSION [output_width(ebp)]
+       add     edx, byte (2*SIZEOF_XMMWORD)-1
+       and     edx, byte -(2*SIZEOF_XMMWORD)
+       jz      short .return
 -; jpeg_h2v2_upsample_sse2 (j_decompress_ptr cinfo,
 -;                          jpeg_component_info * compptr,
 -;                          JSAMPARRAY input_data,
 -;                          JSAMPARRAY * output_data_ptr);
++      mov     ecx, INT [max_v_samp(ebp)]      ; rowctr
+       test    ecx,ecx
+       jz      short .return
+       mov     esi, JSAMPARRAY [input_data(ebp)]       ; input_data
+       mov     edi, POINTER [output_data_ptr(ebp)]
+       mov     edi, JSAMPARRAY [edi]                   ; output_data
+       alignx  16,7
+ .rowloop:
+       push    edi
+       push    esi
+       mov     esi, JSAMPROW [esi]             ; inptr
+       mov     edi, JSAMPROW [edi]             ; outptr
+       mov     eax,edx                         ; colctr
+       alignx  16,7
+ .columnloop:
+       movdqa  xmm0, XMMWORD [esi+0*SIZEOF_XMMWORD]
+       movdqa    xmm1,xmm0
+       punpcklbw xmm0,xmm0
+       punpckhbw xmm1,xmm1
+       movdqa  XMMWORD [edi+0*SIZEOF_XMMWORD], xmm0
+       movdqa  XMMWORD [edi+1*SIZEOF_XMMWORD], xmm1
+       sub     eax, byte 2*SIZEOF_XMMWORD
+       jz      short .nextrow
+       movdqa  xmm2, XMMWORD [esi+1*SIZEOF_XMMWORD]
+       movdqa    xmm3,xmm2
+       punpcklbw xmm2,xmm2
+       punpckhbw xmm3,xmm3
+       movdqa  XMMWORD [edi+2*SIZEOF_XMMWORD], xmm2
+       movdqa  XMMWORD [edi+3*SIZEOF_XMMWORD], xmm3
+       sub     eax, byte 2*SIZEOF_XMMWORD
+       jz      short .nextrow
+       add     esi, byte 2*SIZEOF_XMMWORD      ; inptr
+       add     edi, byte 4*SIZEOF_XMMWORD      ; outptr
+       jmp     short .columnloop
+       alignx  16,7
+ .nextrow:
+       pop     esi
+       pop     edi
+       add     esi, byte SIZEOF_JSAMPROW       ; input_data
+       add     edi, byte SIZEOF_JSAMPROW       ; output_data
+       dec     ecx                             ; rowctr
+       jg      short .rowloop
+ .return:
+       pop     edi
+       pop     esi
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; need not be preserved
+ ;     pop     ebx             ; unused
+       pop     ebp
+       ret
+ ; --------------------------------------------------------------------------
+ ;
+ ; Fast processing for the common case of 2:1 horizontal and 2:1 vertical.
+ ; It's still a box filter.
+ ;
+ ; GLOBAL(void)
 -%define cinfo(b)              (b)+8           ; j_decompress_ptr cinfo
 -%define compptr(b)            (b)+12          ; jpeg_component_info * compptr
++; jsimd_h2v2_upsample_sse2 (nt max_v_samp_factor,
++;                           JDIMENSION output_width,
++;                           JSAMPARRAY input_data,
++;                           JSAMPARRAY * output_data_ptr);
+ ;
 -      global  EXTN(jpeg_h2v2_upsample_sse2)
++%define max_v_samp(b)         (b)+8                   ; int max_v_samp_factor
++%define output_width(b)       (b)+12          ; JDIMENSION output_width
+ %define input_data(b)         (b)+16          ; JSAMPARRAY input_data
+ %define output_data_ptr(b)    (b)+20          ; JSAMPARRAY * output_data_ptr
+       align   16
 -EXTN(jpeg_h2v2_upsample_sse2):
++      global  EXTN(jsimd_h2v2_upsample_sse2)
 -      mov     edx, POINTER [cinfo(ebp)]
 -      mov     edx, JDIMENSION [jdstruct_output_width(edx)]
++EXTN(jsimd_h2v2_upsample_sse2):
+       push    ebp
+       mov     ebp,esp
+       push    ebx
+ ;     push    ecx             ; need not be preserved
+ ;     push    edx             ; need not be preserved
+       push    esi
+       push    edi
 -      mov     ecx, POINTER [cinfo(ebp)]
 -      mov     ecx, INT [jdstruct_max_v_samp_factor(ecx)]      ; rowctr
++      mov     edx, JDIMENSION [output_width(ebp)]
+       add     edx, byte (2*SIZEOF_XMMWORD)-1
+       and     edx, byte -(2*SIZEOF_XMMWORD)
+       jz      near .return
 -%endif ; JDSAMPLE_SIMPLE_SSE2_SUPPORTED
++      mov     ecx, INT [max_v_samp(ebp)]      ; rowctr
+       test    ecx,ecx
+       jz      near .return
+       mov     esi, JSAMPARRAY [input_data(ebp)]       ; input_data
+       mov     edi, POINTER [output_data_ptr(ebp)]
+       mov     edi, JSAMPARRAY [edi]                   ; output_data
+       alignx  16,7
+ .rowloop:
+       push    edi
+       push    esi
+       mov     esi, JSAMPROW [esi]                     ; inptr
+       mov     ebx, JSAMPROW [edi+0*SIZEOF_JSAMPROW]   ; outptr0
+       mov     edi, JSAMPROW [edi+1*SIZEOF_JSAMPROW]   ; outptr1
+       mov     eax,edx                                 ; colctr
+       alignx  16,7
+ .columnloop:
+       movdqa  xmm0, XMMWORD [esi+0*SIZEOF_XMMWORD]
+       movdqa    xmm1,xmm0
+       punpcklbw xmm0,xmm0
+       punpckhbw xmm1,xmm1
+       movdqa  XMMWORD [ebx+0*SIZEOF_XMMWORD], xmm0
+       movdqa  XMMWORD [ebx+1*SIZEOF_XMMWORD], xmm1
+       movdqa  XMMWORD [edi+0*SIZEOF_XMMWORD], xmm0
+       movdqa  XMMWORD [edi+1*SIZEOF_XMMWORD], xmm1
+       sub     eax, byte 2*SIZEOF_XMMWORD
+       jz      short .nextrow
+       movdqa  xmm2, XMMWORD [esi+1*SIZEOF_XMMWORD]
+       movdqa    xmm3,xmm2
+       punpcklbw xmm2,xmm2
+       punpckhbw xmm3,xmm3
+       movdqa  XMMWORD [ebx+2*SIZEOF_XMMWORD], xmm2
+       movdqa  XMMWORD [ebx+3*SIZEOF_XMMWORD], xmm3
+       movdqa  XMMWORD [edi+2*SIZEOF_XMMWORD], xmm2
+       movdqa  XMMWORD [edi+3*SIZEOF_XMMWORD], xmm3
+       sub     eax, byte 2*SIZEOF_XMMWORD
+       jz      short .nextrow
+       add     esi, byte 2*SIZEOF_XMMWORD      ; inptr
+       add     ebx, byte 4*SIZEOF_XMMWORD      ; outptr0
+       add     edi, byte 4*SIZEOF_XMMWORD      ; outptr1
+       jmp     short .columnloop
+       alignx  16,7
+ .nextrow:
+       pop     esi
+       pop     edi
+       add     esi, byte 1*SIZEOF_JSAMPROW     ; input_data
+       add     edi, byte 2*SIZEOF_JSAMPROW     ; output_data
+       sub     ecx, byte 2                     ; rowctr
+       jg      short .rowloop
+ .return:
+       pop     edi
+       pop     esi
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; need not be preserved
+       pop     ebx
+       pop     ebp
+       ret
index 0000000000000000000000000000000000000000,567bcef224319b483a21ddc7a81a34e6ff64d1a8..e42d2251eb4c5cd4b0361719856d40d695e4d2db
mode 000000,100644..100644
--- /dev/null
@@@ -1,0 -1,411 +1,401 @@@
 -; Last Modified : February 4, 2006
 -;
+ ;
+ ; jfss2fst.asm - fast integer FDCT (SSE2)
+ ;
++; Copyright 2009 Pierre Ossman <ossman@cendio.se> for Cendio AB
++;
++; Based on
+ ; x86 SIMD extension for IJG JPEG library
+ ; Copyright (C) 1999-2006, MIYASAKA Masaru.
+ ; For conditions of distribution and use, see copyright notice in jsimdext.inc
+ ;
+ ; This file should be assembled with NASM (Netwide Assembler),
+ ; can *not* be assembled with Microsoft's MASM or any compatible
+ ; assembler (including Borland's Turbo Assembler).
+ ; NASM is available from http://nasm.sourceforge.net/ or
+ ; http://sourceforge.net/project/showfiles.php?group_id=6208
+ ;
+ ; This file contains a fast, not so accurate integer implementation of
+ ; the forward DCT (Discrete Cosine Transform). The following code is
+ ; based directly on the IJG's original jfdctfst.c; see the jfdctfst.c
+ ; for more details.
+ ;
 -%include "jsimdext.inc"
 -%include "jdct.inc"
 -
 -%ifdef DCT_IFAST_SUPPORTED
 -%ifdef JFDCT_INT_SSE2_SUPPORTED
 -
 -; This module is specialized to the case DCTSIZE = 8.
 -;
 -%if DCTSIZE != 8
 -%error "Sorry, this code only copes with 8x8 DCTs."
 -%endif
+ ; [TAB8]
 -; jpeg_fdct_ifast_sse2 (DCTELEM * data)
++%include "simd/jsimdext.inc"
++%include "simd/jdct.inc"
+ ; --------------------------------------------------------------------------
+ %define CONST_BITS    8       ; 14 is also OK.
+ %if CONST_BITS == 8
+ F_0_382       equ      98             ; FIX(0.382683433)
+ F_0_541       equ     139             ; FIX(0.541196100)
+ F_0_707       equ     181             ; FIX(0.707106781)
+ F_1_306       equ     334             ; FIX(1.306562965)
+ %else
+ ; NASM cannot do compile-time arithmetic on floating-point constants.
+ %define DESCALE(x,n)  (((x)+(1<<((n)-1)))>>(n))
+ F_0_382       equ     DESCALE( 410903207,30-CONST_BITS)       ; FIX(0.382683433)
+ F_0_541       equ     DESCALE( 581104887,30-CONST_BITS)       ; FIX(0.541196100)
+ F_0_707       equ     DESCALE( 759250124,30-CONST_BITS)       ; FIX(0.707106781)
+ F_1_306       equ     DESCALE(1402911301,30-CONST_BITS)       ; FIX(1.306562965)
+ %endif
+ ; --------------------------------------------------------------------------
+       SECTION SEG_CONST
+ ; PRE_MULTIPLY_SCALE_BITS <= 2 (to avoid overflow)
+ ; CONST_BITS + CONST_SHIFT + PRE_MULTIPLY_SCALE_BITS == 16 (for pmulhw)
+ %define PRE_MULTIPLY_SCALE_BITS   2
+ %define CONST_SHIFT     (16 - PRE_MULTIPLY_SCALE_BITS - CONST_BITS)
+       alignz  16
+       global  EXTN(jconst_fdct_ifast_sse2)
+ EXTN(jconst_fdct_ifast_sse2):
+ PW_F0707      times 8 dw  F_0_707 << CONST_SHIFT
+ PW_F0382      times 8 dw  F_0_382 << CONST_SHIFT
+ PW_F0541      times 8 dw  F_0_541 << CONST_SHIFT
+ PW_F1306      times 8 dw  F_1_306 << CONST_SHIFT
+       alignz  16
+ ; --------------------------------------------------------------------------
+       SECTION SEG_TEXT
+       BITS    32
+ ;
+ ; Perform the forward DCT on one block of samples.
+ ;
+ ; GLOBAL(void)
 -      global  EXTN(jpeg_fdct_ifast_sse2)
++; jsimd_fdct_ifast_sse2 (DCTELEM * data)
+ ;
+ %define data(b)               (b)+8           ; DCTELEM * data
+ %define original_ebp  ebp+0
+ %define wk(i)         ebp-(WK_NUM-(i))*SIZEOF_XMMWORD ; xmmword wk[WK_NUM]
+ %define WK_NUM                2
+       align   16
 -EXTN(jpeg_fdct_ifast_sse2):
++      global  EXTN(jsimd_fdct_ifast_sse2)
 -%endif ; JFDCT_INT_SSE2_SUPPORTED
 -%endif ; DCT_IFAST_SUPPORTED
++EXTN(jsimd_fdct_ifast_sse2):
+       push    ebp
+       mov     eax,esp                         ; eax = original ebp
+       sub     esp, byte 4
+       and     esp, byte (-SIZEOF_XMMWORD)     ; align to 128 bits
+       mov     [esp],eax
+       mov     ebp,esp                         ; ebp = aligned ebp
+       lea     esp, [wk(0)]
+       pushpic ebx
+ ;     push    ecx             ; unused
+ ;     push    edx             ; need not be preserved
+ ;     push    esi             ; unused
+ ;     push    edi             ; unused
+       get_GOT ebx             ; get GOT address
+       ; ---- Pass 1: process rows.
+       mov     edx, POINTER [data(eax)]        ; (DCTELEM *)
+       movdqa  xmm0, XMMWORD [XMMBLOCK(0,0,edx,SIZEOF_DCTELEM)]
+       movdqa  xmm1, XMMWORD [XMMBLOCK(1,0,edx,SIZEOF_DCTELEM)]
+       movdqa  xmm2, XMMWORD [XMMBLOCK(2,0,edx,SIZEOF_DCTELEM)]
+       movdqa  xmm3, XMMWORD [XMMBLOCK(3,0,edx,SIZEOF_DCTELEM)]
+       ; xmm0=(00 01 02 03 04 05 06 07), xmm2=(20 21 22 23 24 25 26 27)
+       ; xmm1=(10 11 12 13 14 15 16 17), xmm3=(30 31 32 33 34 35 36 37)
+       movdqa    xmm4,xmm0             ; transpose coefficients(phase 1)
+       punpcklwd xmm0,xmm1             ; xmm0=(00 10 01 11 02 12 03 13)
+       punpckhwd xmm4,xmm1             ; xmm4=(04 14 05 15 06 16 07 17)
+       movdqa    xmm5,xmm2             ; transpose coefficients(phase 1)
+       punpcklwd xmm2,xmm3             ; xmm2=(20 30 21 31 22 32 23 33)
+       punpckhwd xmm5,xmm3             ; xmm5=(24 34 25 35 26 36 27 37)
+       movdqa  xmm6, XMMWORD [XMMBLOCK(4,0,edx,SIZEOF_DCTELEM)]
+       movdqa  xmm7, XMMWORD [XMMBLOCK(5,0,edx,SIZEOF_DCTELEM)]
+       movdqa  xmm1, XMMWORD [XMMBLOCK(6,0,edx,SIZEOF_DCTELEM)]
+       movdqa  xmm3, XMMWORD [XMMBLOCK(7,0,edx,SIZEOF_DCTELEM)]
+       ; xmm6=( 4 12 20 28 36 44 52 60), xmm1=( 6 14 22 30 38 46 54 62)
+       ; xmm7=( 5 13 21 29 37 45 53 61), xmm3=( 7 15 23 31 39 47 55 63)
+       movdqa  XMMWORD [wk(0)], xmm2   ; wk(0)=(20 30 21 31 22 32 23 33)
+       movdqa  XMMWORD [wk(1)], xmm5   ; wk(1)=(24 34 25 35 26 36 27 37)
+       movdqa    xmm2,xmm6             ; transpose coefficients(phase 1)
+       punpcklwd xmm6,xmm7             ; xmm6=(40 50 41 51 42 52 43 53)
+       punpckhwd xmm2,xmm7             ; xmm2=(44 54 45 55 46 56 47 57)
+       movdqa    xmm5,xmm1             ; transpose coefficients(phase 1)
+       punpcklwd xmm1,xmm3             ; xmm1=(60 70 61 71 62 72 63 73)
+       punpckhwd xmm5,xmm3             ; xmm5=(64 74 65 75 66 76 67 77)
+       movdqa    xmm7,xmm6             ; transpose coefficients(phase 2)
+       punpckldq xmm6,xmm1             ; xmm6=(40 50 60 70 41 51 61 71)
+       punpckhdq xmm7,xmm1             ; xmm7=(42 52 62 72 43 53 63 73)
+       movdqa    xmm3,xmm2             ; transpose coefficients(phase 2)
+       punpckldq xmm2,xmm5             ; xmm2=(44 54 64 74 45 55 65 75)
+       punpckhdq xmm3,xmm5             ; xmm3=(46 56 66 76 47 57 67 77)
+       movdqa  xmm1, XMMWORD [wk(0)]   ; xmm1=(20 30 21 31 22 32 23 33)
+       movdqa  xmm5, XMMWORD [wk(1)]   ; xmm5=(24 34 25 35 26 36 27 37)
+       movdqa  XMMWORD [wk(0)], xmm7   ; wk(0)=(42 52 62 72 43 53 63 73)
+       movdqa  XMMWORD [wk(1)], xmm2   ; wk(1)=(44 54 64 74 45 55 65 75)
+       movdqa    xmm7,xmm0             ; transpose coefficients(phase 2)
+       punpckldq xmm0,xmm1             ; xmm0=(00 10 20 30 01 11 21 31)
+       punpckhdq xmm7,xmm1             ; xmm7=(02 12 22 32 03 13 23 33)
+       movdqa    xmm2,xmm4             ; transpose coefficients(phase 2)
+       punpckldq xmm4,xmm5             ; xmm4=(04 14 24 34 05 15 25 35)
+       punpckhdq xmm2,xmm5             ; xmm2=(06 16 26 36 07 17 27 37)
+       movdqa     xmm1,xmm0            ; transpose coefficients(phase 3)
+       punpcklqdq xmm0,xmm6            ; xmm0=(00 10 20 30 40 50 60 70)=data0
+       punpckhqdq xmm1,xmm6            ; xmm1=(01 11 21 31 41 51 61 71)=data1
+       movdqa     xmm5,xmm2            ; transpose coefficients(phase 3)
+       punpcklqdq xmm2,xmm3            ; xmm2=(06 16 26 36 46 56 66 76)=data6
+       punpckhqdq xmm5,xmm3            ; xmm5=(07 17 27 37 47 57 67 77)=data7
+       movdqa  xmm6,xmm1
+       movdqa  xmm3,xmm0
+       psubw   xmm1,xmm2               ; xmm1=data1-data6=tmp6
+       psubw   xmm0,xmm5               ; xmm0=data0-data7=tmp7
+       paddw   xmm6,xmm2               ; xmm6=data1+data6=tmp1
+       paddw   xmm3,xmm5               ; xmm3=data0+data7=tmp0
+       movdqa  xmm2, XMMWORD [wk(0)]   ; xmm2=(42 52 62 72 43 53 63 73)
+       movdqa  xmm5, XMMWORD [wk(1)]   ; xmm5=(44 54 64 74 45 55 65 75)
+       movdqa  XMMWORD [wk(0)], xmm1   ; wk(0)=tmp6
+       movdqa  XMMWORD [wk(1)], xmm0   ; wk(1)=tmp7
+       movdqa     xmm1,xmm7            ; transpose coefficients(phase 3)
+       punpcklqdq xmm7,xmm2            ; xmm7=(02 12 22 32 42 52 62 72)=data2
+       punpckhqdq xmm1,xmm2            ; xmm1=(03 13 23 33 43 53 63 73)=data3
+       movdqa     xmm0,xmm4            ; transpose coefficients(phase 3)
+       punpcklqdq xmm4,xmm5            ; xmm4=(04 14 24 34 44 54 64 74)=data4
+       punpckhqdq xmm0,xmm5            ; xmm0=(05 15 25 35 45 55 65 75)=data5
+       movdqa  xmm2,xmm1
+       movdqa  xmm5,xmm7
+       paddw   xmm1,xmm4               ; xmm1=data3+data4=tmp3
+       paddw   xmm7,xmm0               ; xmm7=data2+data5=tmp2
+       psubw   xmm2,xmm4               ; xmm2=data3-data4=tmp4
+       psubw   xmm5,xmm0               ; xmm5=data2-data5=tmp5
+       ; -- Even part
+       movdqa  xmm4,xmm3
+       movdqa  xmm0,xmm6
+       psubw   xmm3,xmm1               ; xmm3=tmp13
+       psubw   xmm6,xmm7               ; xmm6=tmp12
+       paddw   xmm4,xmm1               ; xmm4=tmp10
+       paddw   xmm0,xmm7               ; xmm0=tmp11
+       paddw   xmm6,xmm3
+       psllw   xmm6,PRE_MULTIPLY_SCALE_BITS
+       pmulhw  xmm6,[GOTOFF(ebx,PW_F0707)] ; xmm6=z1
+       movdqa  xmm1,xmm4
+       movdqa  xmm7,xmm3
+       psubw   xmm4,xmm0               ; xmm4=data4
+       psubw   xmm3,xmm6               ; xmm3=data6
+       paddw   xmm1,xmm0               ; xmm1=data0
+       paddw   xmm7,xmm6               ; xmm7=data2
+       movdqa  xmm0, XMMWORD [wk(0)]   ; xmm0=tmp6
+       movdqa  xmm6, XMMWORD [wk(1)]   ; xmm6=tmp7
+       movdqa  XMMWORD [wk(0)], xmm4   ; wk(0)=data4
+       movdqa  XMMWORD [wk(1)], xmm3   ; wk(1)=data6
+       ; -- Odd part
+       paddw   xmm2,xmm5               ; xmm2=tmp10
+       paddw   xmm5,xmm0               ; xmm5=tmp11
+       paddw   xmm0,xmm6               ; xmm0=tmp12, xmm6=tmp7
+       psllw   xmm2,PRE_MULTIPLY_SCALE_BITS
+       psllw   xmm0,PRE_MULTIPLY_SCALE_BITS
+       psllw   xmm5,PRE_MULTIPLY_SCALE_BITS
+       pmulhw  xmm5,[GOTOFF(ebx,PW_F0707)] ; xmm5=z3
+       movdqa  xmm4,xmm2               ; xmm4=tmp10
+       psubw   xmm2,xmm0
+       pmulhw  xmm2,[GOTOFF(ebx,PW_F0382)] ; xmm2=z5
+       pmulhw  xmm4,[GOTOFF(ebx,PW_F0541)] ; xmm4=MULTIPLY(tmp10,FIX_0_541196)
+       pmulhw  xmm0,[GOTOFF(ebx,PW_F1306)] ; xmm0=MULTIPLY(tmp12,FIX_1_306562)
+       paddw   xmm4,xmm2               ; xmm4=z2
+       paddw   xmm0,xmm2               ; xmm0=z4
+       movdqa  xmm3,xmm6
+       psubw   xmm6,xmm5               ; xmm6=z13
+       paddw   xmm3,xmm5               ; xmm3=z11
+       movdqa  xmm2,xmm6
+       movdqa  xmm5,xmm3
+       psubw   xmm6,xmm4               ; xmm6=data3
+       psubw   xmm3,xmm0               ; xmm3=data7
+       paddw   xmm2,xmm4               ; xmm2=data5
+       paddw   xmm5,xmm0               ; xmm5=data1
+       ; ---- Pass 2: process columns.
+ ;     mov     edx, POINTER [data(eax)]        ; (DCTELEM *)
+       ; xmm1=(00 10 20 30 40 50 60 70), xmm7=(02 12 22 32 42 52 62 72)
+       ; xmm5=(01 11 21 31 41 51 61 71), xmm6=(03 13 23 33 43 53 63 73)
+       movdqa    xmm4,xmm1             ; transpose coefficients(phase 1)
+       punpcklwd xmm1,xmm5             ; xmm1=(00 01 10 11 20 21 30 31)
+       punpckhwd xmm4,xmm5             ; xmm4=(40 41 50 51 60 61 70 71)
+       movdqa    xmm0,xmm7             ; transpose coefficients(phase 1)
+       punpcklwd xmm7,xmm6             ; xmm7=(02 03 12 13 22 23 32 33)
+       punpckhwd xmm0,xmm6             ; xmm0=(42 43 52 53 62 63 72 73)
+       movdqa  xmm5, XMMWORD [wk(0)]   ; xmm5=col4
+       movdqa  xmm6, XMMWORD [wk(1)]   ; xmm6=col6
+       ; xmm5=(04 14 24 34 44 54 64 74), xmm6=(06 16 26 36 46 56 66 76)
+       ; xmm2=(05 15 25 35 45 55 65 75), xmm3=(07 17 27 37 47 57 67 77)
+       movdqa  XMMWORD [wk(0)], xmm7   ; wk(0)=(02 03 12 13 22 23 32 33)
+       movdqa  XMMWORD [wk(1)], xmm0   ; wk(1)=(42 43 52 53 62 63 72 73)
+       movdqa    xmm7,xmm5             ; transpose coefficients(phase 1)
+       punpcklwd xmm5,xmm2             ; xmm5=(04 05 14 15 24 25 34 35)
+       punpckhwd xmm7,xmm2             ; xmm7=(44 45 54 55 64 65 74 75)
+       movdqa    xmm0,xmm6             ; transpose coefficients(phase 1)
+       punpcklwd xmm6,xmm3             ; xmm6=(06 07 16 17 26 27 36 37)
+       punpckhwd xmm0,xmm3             ; xmm0=(46 47 56 57 66 67 76 77)
+       movdqa    xmm2,xmm5             ; transpose coefficients(phase 2)
+       punpckldq xmm5,xmm6             ; xmm5=(04 05 06 07 14 15 16 17)
+       punpckhdq xmm2,xmm6             ; xmm2=(24 25 26 27 34 35 36 37)
+       movdqa    xmm3,xmm7             ; transpose coefficients(phase 2)
+       punpckldq xmm7,xmm0             ; xmm7=(44 45 46 47 54 55 56 57)
+       punpckhdq xmm3,xmm0             ; xmm3=(64 65 66 67 74 75 76 77)
+       movdqa  xmm6, XMMWORD [wk(0)]   ; xmm6=(02 03 12 13 22 23 32 33)
+       movdqa  xmm0, XMMWORD [wk(1)]   ; xmm0=(42 43 52 53 62 63 72 73)
+       movdqa  XMMWORD [wk(0)], xmm2   ; wk(0)=(24 25 26 27 34 35 36 37)
+       movdqa  XMMWORD [wk(1)], xmm7   ; wk(1)=(44 45 46 47 54 55 56 57)
+       movdqa    xmm2,xmm1             ; transpose coefficients(phase 2)
+       punpckldq xmm1,xmm6             ; xmm1=(00 01 02 03 10 11 12 13)
+       punpckhdq xmm2,xmm6             ; xmm2=(20 21 22 23 30 31 32 33)
+       movdqa    xmm7,xmm4             ; transpose coefficients(phase 2)
+       punpckldq xmm4,xmm0             ; xmm4=(40 41 42 43 50 51 52 53)
+       punpckhdq xmm7,xmm0             ; xmm7=(60 61 62 63 70 71 72 73)
+       movdqa     xmm6,xmm1            ; transpose coefficients(phase 3)
+       punpcklqdq xmm1,xmm5            ; xmm1=(00 01 02 03 04 05 06 07)=data0
+       punpckhqdq xmm6,xmm5            ; xmm6=(10 11 12 13 14 15 16 17)=data1
+       movdqa     xmm0,xmm7            ; transpose coefficients(phase 3)
+       punpcklqdq xmm7,xmm3            ; xmm7=(60 61 62 63 64 65 66 67)=data6
+       punpckhqdq xmm0,xmm3            ; xmm0=(70 71 72 73 74 75 76 77)=data7
+       movdqa  xmm5,xmm6
+       movdqa  xmm3,xmm1
+       psubw   xmm6,xmm7               ; xmm6=data1-data6=tmp6
+       psubw   xmm1,xmm0               ; xmm1=data0-data7=tmp7
+       paddw   xmm5,xmm7               ; xmm5=data1+data6=tmp1
+       paddw   xmm3,xmm0               ; xmm3=data0+data7=tmp0
+       movdqa  xmm7, XMMWORD [wk(0)]   ; xmm7=(24 25 26 27 34 35 36 37)
+       movdqa  xmm0, XMMWORD [wk(1)]   ; xmm0=(44 45 46 47 54 55 56 57)
+       movdqa  XMMWORD [wk(0)], xmm6   ; wk(0)=tmp6
+       movdqa  XMMWORD [wk(1)], xmm1   ; wk(1)=tmp7
+       movdqa     xmm6,xmm2            ; transpose coefficients(phase 3)
+       punpcklqdq xmm2,xmm7            ; xmm2=(20 21 22 23 24 25 26 27)=data2
+       punpckhqdq xmm6,xmm7            ; xmm6=(30 31 32 33 34 35 36 37)=data3
+       movdqa     xmm1,xmm4            ; transpose coefficients(phase 3)
+       punpcklqdq xmm4,xmm0            ; xmm4=(40 41 42 43 44 45 46 47)=data4
+       punpckhqdq xmm1,xmm0            ; xmm1=(50 51 52 53 54 55 56 57)=data5
+       movdqa  xmm7,xmm6
+       movdqa  xmm0,xmm2
+       paddw   xmm6,xmm4               ; xmm6=data3+data4=tmp3
+       paddw   xmm2,xmm1               ; xmm2=data2+data5=tmp2
+       psubw   xmm7,xmm4               ; xmm7=data3-data4=tmp4
+       psubw   xmm0,xmm1               ; xmm0=data2-data5=tmp5
+       ; -- Even part
+       movdqa  xmm4,xmm3
+       movdqa  xmm1,xmm5
+       psubw   xmm3,xmm6               ; xmm3=tmp13
+       psubw   xmm5,xmm2               ; xmm5=tmp12
+       paddw   xmm4,xmm6               ; xmm4=tmp10
+       paddw   xmm1,xmm2               ; xmm1=tmp11
+       paddw   xmm5,xmm3
+       psllw   xmm5,PRE_MULTIPLY_SCALE_BITS
+       pmulhw  xmm5,[GOTOFF(ebx,PW_F0707)] ; xmm5=z1
+       movdqa  xmm6,xmm4
+       movdqa  xmm2,xmm3
+       psubw   xmm4,xmm1               ; xmm4=data4
+       psubw   xmm3,xmm5               ; xmm3=data6
+       paddw   xmm6,xmm1               ; xmm6=data0
+       paddw   xmm2,xmm5               ; xmm2=data2
+       movdqa  XMMWORD [XMMBLOCK(4,0,edx,SIZEOF_DCTELEM)], xmm4
+       movdqa  XMMWORD [XMMBLOCK(6,0,edx,SIZEOF_DCTELEM)], xmm3
+       movdqa  XMMWORD [XMMBLOCK(0,0,edx,SIZEOF_DCTELEM)], xmm6
+       movdqa  XMMWORD [XMMBLOCK(2,0,edx,SIZEOF_DCTELEM)], xmm2
+       ; -- Odd part
+       movdqa  xmm1, XMMWORD [wk(0)]   ; xmm1=tmp6
+       movdqa  xmm5, XMMWORD [wk(1)]   ; xmm5=tmp7
+       paddw   xmm7,xmm0               ; xmm7=tmp10
+       paddw   xmm0,xmm1               ; xmm0=tmp11
+       paddw   xmm1,xmm5               ; xmm1=tmp12, xmm5=tmp7
+       psllw   xmm7,PRE_MULTIPLY_SCALE_BITS
+       psllw   xmm1,PRE_MULTIPLY_SCALE_BITS
+       psllw   xmm0,PRE_MULTIPLY_SCALE_BITS
+       pmulhw  xmm0,[GOTOFF(ebx,PW_F0707)] ; xmm0=z3
+       movdqa  xmm4,xmm7               ; xmm4=tmp10
+       psubw   xmm7,xmm1
+       pmulhw  xmm7,[GOTOFF(ebx,PW_F0382)] ; xmm7=z5
+       pmulhw  xmm4,[GOTOFF(ebx,PW_F0541)] ; xmm4=MULTIPLY(tmp10,FIX_0_541196)
+       pmulhw  xmm1,[GOTOFF(ebx,PW_F1306)] ; xmm1=MULTIPLY(tmp12,FIX_1_306562)
+       paddw   xmm4,xmm7               ; xmm4=z2
+       paddw   xmm1,xmm7               ; xmm1=z4
+       movdqa  xmm3,xmm5
+       psubw   xmm5,xmm0               ; xmm5=z13
+       paddw   xmm3,xmm0               ; xmm3=z11
+       movdqa  xmm6,xmm5
+       movdqa  xmm2,xmm3
+       psubw   xmm5,xmm4               ; xmm5=data3
+       psubw   xmm3,xmm1               ; xmm3=data7
+       paddw   xmm6,xmm4               ; xmm6=data5
+       paddw   xmm2,xmm1               ; xmm2=data1
+       movdqa  XMMWORD [XMMBLOCK(3,0,edx,SIZEOF_DCTELEM)], xmm5
+       movdqa  XMMWORD [XMMBLOCK(7,0,edx,SIZEOF_DCTELEM)], xmm3
+       movdqa  XMMWORD [XMMBLOCK(5,0,edx,SIZEOF_DCTELEM)], xmm6
+       movdqa  XMMWORD [XMMBLOCK(1,0,edx,SIZEOF_DCTELEM)], xmm2
+ ;     pop     edi             ; unused
+ ;     pop     esi             ; unused
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; unused
+       poppic  ebx
+       mov     esp,ebp         ; esp <- aligned ebp
+       pop     esp             ; esp <- original ebp
+       pop     ebp
+       ret
index 0000000000000000000000000000000000000000,106b42c5d6dea80f39f1a8f0583ee6cde11cd3ed..6e37497c292d4b41adf00ed51bc16ecdae7f5d9a
mode 000000,100644..100644
--- /dev/null
@@@ -1,0 -1,641 +1,631 @@@
 -; Last Modified : February 4, 2006
 -;
+ ;
+ ; jfss2int.asm - accurate integer FDCT (SSE2)
+ ;
++; Copyright 2009 Pierre Ossman <ossman@cendio.se> for Cendio AB
++;
++; Based on
+ ; x86 SIMD extension for IJG JPEG library
+ ; Copyright (C) 1999-2006, MIYASAKA Masaru.
+ ; For conditions of distribution and use, see copyright notice in jsimdext.inc
+ ;
+ ; This file should be assembled with NASM (Netwide Assembler),
+ ; can *not* be assembled with Microsoft's MASM or any compatible
+ ; assembler (including Borland's Turbo Assembler).
+ ; NASM is available from http://nasm.sourceforge.net/ or
+ ; http://sourceforge.net/project/showfiles.php?group_id=6208
+ ;
+ ; This file contains a slow-but-accurate integer implementation of the
+ ; forward DCT (Discrete Cosine Transform). The following code is based
+ ; directly on the IJG's original jfdctint.c; see the jfdctint.c for
+ ; more details.
+ ;
 -%include "jsimdext.inc"
 -%include "jdct.inc"
 -
 -%ifdef DCT_ISLOW_SUPPORTED
 -%ifdef JFDCT_INT_SSE2_SUPPORTED
 -
 -; This module is specialized to the case DCTSIZE = 8.
 -;
 -%if DCTSIZE != 8
 -%error "Sorry, this code only copes with 8x8 DCTs."
 -%endif
+ ; [TAB8]
 -; jpeg_fdct_islow_sse2 (DCTELEM * data)
++%include "simd/jsimdext.inc"
++%include "simd/jdct.inc"
+ ; --------------------------------------------------------------------------
+ %define CONST_BITS    13
+ %define PASS1_BITS    2
+ %define DESCALE_P1    (CONST_BITS-PASS1_BITS)
+ %define DESCALE_P2    (CONST_BITS+PASS1_BITS)
+ %if CONST_BITS == 13
+ F_0_298       equ      2446           ; FIX(0.298631336)
+ F_0_390       equ      3196           ; FIX(0.390180644)
+ F_0_541       equ      4433           ; FIX(0.541196100)
+ F_0_765       equ      6270           ; FIX(0.765366865)
+ F_0_899       equ      7373           ; FIX(0.899976223)
+ F_1_175       equ      9633           ; FIX(1.175875602)
+ F_1_501       equ     12299           ; FIX(1.501321110)
+ F_1_847       equ     15137           ; FIX(1.847759065)
+ F_1_961       equ     16069           ; FIX(1.961570560)
+ F_2_053       equ     16819           ; FIX(2.053119869)
+ F_2_562       equ     20995           ; FIX(2.562915447)
+ F_3_072       equ     25172           ; FIX(3.072711026)
+ %else
+ ; NASM cannot do compile-time arithmetic on floating-point constants.
+ %define DESCALE(x,n)  (((x)+(1<<((n)-1)))>>(n))
+ F_0_298       equ     DESCALE( 320652955,30-CONST_BITS)       ; FIX(0.298631336)
+ F_0_390       equ     DESCALE( 418953276,30-CONST_BITS)       ; FIX(0.390180644)
+ F_0_541       equ     DESCALE( 581104887,30-CONST_BITS)       ; FIX(0.541196100)
+ F_0_765       equ     DESCALE( 821806413,30-CONST_BITS)       ; FIX(0.765366865)
+ F_0_899       equ     DESCALE( 966342111,30-CONST_BITS)       ; FIX(0.899976223)
+ F_1_175       equ     DESCALE(1262586813,30-CONST_BITS)       ; FIX(1.175875602)
+ F_1_501       equ     DESCALE(1612031267,30-CONST_BITS)       ; FIX(1.501321110)
+ F_1_847       equ     DESCALE(1984016188,30-CONST_BITS)       ; FIX(1.847759065)
+ F_1_961       equ     DESCALE(2106220350,30-CONST_BITS)       ; FIX(1.961570560)
+ F_2_053       equ     DESCALE(2204520673,30-CONST_BITS)       ; FIX(2.053119869)
+ F_2_562       equ     DESCALE(2751909506,30-CONST_BITS)       ; FIX(2.562915447)
+ F_3_072       equ     DESCALE(3299298341,30-CONST_BITS)       ; FIX(3.072711026)
+ %endif
+ ; --------------------------------------------------------------------------
+       SECTION SEG_CONST
+       alignz  16
+       global  EXTN(jconst_fdct_islow_sse2)
+ EXTN(jconst_fdct_islow_sse2):
+ PW_F130_F054  times 4 dw  (F_0_541+F_0_765), F_0_541
+ PW_F054_MF130 times 4 dw  F_0_541, (F_0_541-F_1_847)
+ PW_MF078_F117 times 4 dw  (F_1_175-F_1_961), F_1_175
+ PW_F117_F078  times 4 dw  F_1_175, (F_1_175-F_0_390)
+ PW_MF060_MF089        times 4 dw  (F_0_298-F_0_899),-F_0_899
+ PW_MF089_F060 times 4 dw -F_0_899, (F_1_501-F_0_899)
+ PW_MF050_MF256        times 4 dw  (F_2_053-F_2_562),-F_2_562
+ PW_MF256_F050 times 4 dw -F_2_562, (F_3_072-F_2_562)
+ PD_DESCALE_P1 times 4 dd  1 << (DESCALE_P1-1)
+ PD_DESCALE_P2 times 4 dd  1 << (DESCALE_P2-1)
+ PW_DESCALE_P2X        times 8 dw  1 << (PASS1_BITS-1)
+       alignz  16
+ ; --------------------------------------------------------------------------
+       SECTION SEG_TEXT
+       BITS    32
+ ;
+ ; Perform the forward DCT on one block of samples.
+ ;
+ ; GLOBAL(void)
 -      global  EXTN(jpeg_fdct_islow_sse2)
++; jsimd_fdct_islow_sse2 (DCTELEM * data)
+ ;
+ %define data(b)               (b)+8           ; DCTELEM * data
+ %define original_ebp  ebp+0
+ %define wk(i)         ebp-(WK_NUM-(i))*SIZEOF_XMMWORD ; xmmword wk[WK_NUM]
+ %define WK_NUM                6
+       align   16
 -EXTN(jpeg_fdct_islow_sse2):
++      global  EXTN(jsimd_fdct_islow_sse2)
 -%endif ; JFDCT_INT_SSE2_SUPPORTED
 -%endif ; DCT_ISLOW_SUPPORTED
++EXTN(jsimd_fdct_islow_sse2):
+       push    ebp
+       mov     eax,esp                         ; eax = original ebp
+       sub     esp, byte 4
+       and     esp, byte (-SIZEOF_XMMWORD)     ; align to 128 bits
+       mov     [esp],eax
+       mov     ebp,esp                         ; ebp = aligned ebp
+       lea     esp, [wk(0)]
+       pushpic ebx
+ ;     push    ecx             ; unused
+ ;     push    edx             ; need not be preserved
+ ;     push    esi             ; unused
+ ;     push    edi             ; unused
+       get_GOT ebx             ; get GOT address
+       ; ---- Pass 1: process rows.
+       mov     edx, POINTER [data(eax)]        ; (DCTELEM *)
+       movdqa  xmm0, XMMWORD [XMMBLOCK(0,0,edx,SIZEOF_DCTELEM)]
+       movdqa  xmm1, XMMWORD [XMMBLOCK(1,0,edx,SIZEOF_DCTELEM)]
+       movdqa  xmm2, XMMWORD [XMMBLOCK(2,0,edx,SIZEOF_DCTELEM)]
+       movdqa  xmm3, XMMWORD [XMMBLOCK(3,0,edx,SIZEOF_DCTELEM)]
+       ; xmm0=(00 01 02 03 04 05 06 07), xmm2=(20 21 22 23 24 25 26 27)
+       ; xmm1=(10 11 12 13 14 15 16 17), xmm3=(30 31 32 33 34 35 36 37)
+       movdqa    xmm4,xmm0             ; transpose coefficients(phase 1)
+       punpcklwd xmm0,xmm1             ; xmm0=(00 10 01 11 02 12 03 13)
+       punpckhwd xmm4,xmm1             ; xmm4=(04 14 05 15 06 16 07 17)
+       movdqa    xmm5,xmm2             ; transpose coefficients(phase 1)
+       punpcklwd xmm2,xmm3             ; xmm2=(20 30 21 31 22 32 23 33)
+       punpckhwd xmm5,xmm3             ; xmm5=(24 34 25 35 26 36 27 37)
+       movdqa  xmm6, XMMWORD [XMMBLOCK(4,0,edx,SIZEOF_DCTELEM)]
+       movdqa  xmm7, XMMWORD [XMMBLOCK(5,0,edx,SIZEOF_DCTELEM)]
+       movdqa  xmm1, XMMWORD [XMMBLOCK(6,0,edx,SIZEOF_DCTELEM)]
+       movdqa  xmm3, XMMWORD [XMMBLOCK(7,0,edx,SIZEOF_DCTELEM)]
+       ; xmm6=( 4 12 20 28 36 44 52 60), xmm1=( 6 14 22 30 38 46 54 62)
+       ; xmm7=( 5 13 21 29 37 45 53 61), xmm3=( 7 15 23 31 39 47 55 63)
+       movdqa  XMMWORD [wk(0)], xmm2   ; wk(0)=(20 30 21 31 22 32 23 33)
+       movdqa  XMMWORD [wk(1)], xmm5   ; wk(1)=(24 34 25 35 26 36 27 37)
+       movdqa    xmm2,xmm6             ; transpose coefficients(phase 1)
+       punpcklwd xmm6,xmm7             ; xmm6=(40 50 41 51 42 52 43 53)
+       punpckhwd xmm2,xmm7             ; xmm2=(44 54 45 55 46 56 47 57)
+       movdqa    xmm5,xmm1             ; transpose coefficients(phase 1)
+       punpcklwd xmm1,xmm3             ; xmm1=(60 70 61 71 62 72 63 73)
+       punpckhwd xmm5,xmm3             ; xmm5=(64 74 65 75 66 76 67 77)
+       movdqa    xmm7,xmm6             ; transpose coefficients(phase 2)
+       punpckldq xmm6,xmm1             ; xmm6=(40 50 60 70 41 51 61 71)
+       punpckhdq xmm7,xmm1             ; xmm7=(42 52 62 72 43 53 63 73)
+       movdqa    xmm3,xmm2             ; transpose coefficients(phase 2)
+       punpckldq xmm2,xmm5             ; xmm2=(44 54 64 74 45 55 65 75)
+       punpckhdq xmm3,xmm5             ; xmm3=(46 56 66 76 47 57 67 77)
+       movdqa  xmm1, XMMWORD [wk(0)]   ; xmm1=(20 30 21 31 22 32 23 33)
+       movdqa  xmm5, XMMWORD [wk(1)]   ; xmm5=(24 34 25 35 26 36 27 37)
+       movdqa  XMMWORD [wk(2)], xmm7   ; wk(2)=(42 52 62 72 43 53 63 73)
+       movdqa  XMMWORD [wk(3)], xmm2   ; wk(3)=(44 54 64 74 45 55 65 75)
+       movdqa    xmm7,xmm0             ; transpose coefficients(phase 2)
+       punpckldq xmm0,xmm1             ; xmm0=(00 10 20 30 01 11 21 31)
+       punpckhdq xmm7,xmm1             ; xmm7=(02 12 22 32 03 13 23 33)
+       movdqa    xmm2,xmm4             ; transpose coefficients(phase 2)
+       punpckldq xmm4,xmm5             ; xmm4=(04 14 24 34 05 15 25 35)
+       punpckhdq xmm2,xmm5             ; xmm2=(06 16 26 36 07 17 27 37)
+       movdqa     xmm1,xmm0            ; transpose coefficients(phase 3)
+       punpcklqdq xmm0,xmm6            ; xmm0=(00 10 20 30 40 50 60 70)=data0
+       punpckhqdq xmm1,xmm6            ; xmm1=(01 11 21 31 41 51 61 71)=data1
+       movdqa     xmm5,xmm2            ; transpose coefficients(phase 3)
+       punpcklqdq xmm2,xmm3            ; xmm2=(06 16 26 36 46 56 66 76)=data6
+       punpckhqdq xmm5,xmm3            ; xmm5=(07 17 27 37 47 57 67 77)=data7
+       movdqa  xmm6,xmm1
+       movdqa  xmm3,xmm0
+       psubw   xmm1,xmm2               ; xmm1=data1-data6=tmp6
+       psubw   xmm0,xmm5               ; xmm0=data0-data7=tmp7
+       paddw   xmm6,xmm2               ; xmm6=data1+data6=tmp1
+       paddw   xmm3,xmm5               ; xmm3=data0+data7=tmp0
+       movdqa  xmm2, XMMWORD [wk(2)]   ; xmm2=(42 52 62 72 43 53 63 73)
+       movdqa  xmm5, XMMWORD [wk(3)]   ; xmm5=(44 54 64 74 45 55 65 75)
+       movdqa  XMMWORD [wk(0)], xmm1   ; wk(0)=tmp6
+       movdqa  XMMWORD [wk(1)], xmm0   ; wk(1)=tmp7
+       movdqa     xmm1,xmm7            ; transpose coefficients(phase 3)
+       punpcklqdq xmm7,xmm2            ; xmm7=(02 12 22 32 42 52 62 72)=data2
+       punpckhqdq xmm1,xmm2            ; xmm1=(03 13 23 33 43 53 63 73)=data3
+       movdqa     xmm0,xmm4            ; transpose coefficients(phase 3)
+       punpcklqdq xmm4,xmm5            ; xmm4=(04 14 24 34 44 54 64 74)=data4
+       punpckhqdq xmm0,xmm5            ; xmm0=(05 15 25 35 45 55 65 75)=data5
+       movdqa  xmm2,xmm1
+       movdqa  xmm5,xmm7
+       paddw   xmm1,xmm4               ; xmm1=data3+data4=tmp3
+       paddw   xmm7,xmm0               ; xmm7=data2+data5=tmp2
+       psubw   xmm2,xmm4               ; xmm2=data3-data4=tmp4
+       psubw   xmm5,xmm0               ; xmm5=data2-data5=tmp5
+       ; -- Even part
+       movdqa  xmm4,xmm3
+       movdqa  xmm0,xmm6
+       paddw   xmm3,xmm1               ; xmm3=tmp10
+       paddw   xmm6,xmm7               ; xmm6=tmp11
+       psubw   xmm4,xmm1               ; xmm4=tmp13
+       psubw   xmm0,xmm7               ; xmm0=tmp12
+       movdqa  xmm1,xmm3
+       paddw   xmm3,xmm6               ; xmm3=tmp10+tmp11
+       psubw   xmm1,xmm6               ; xmm1=tmp10-tmp11
+       psllw   xmm3,PASS1_BITS         ; xmm3=data0
+       psllw   xmm1,PASS1_BITS         ; xmm1=data4
+       movdqa  XMMWORD [wk(2)], xmm3   ; wk(2)=data0
+       movdqa  XMMWORD [wk(3)], xmm1   ; wk(3)=data4
+       ; (Original)
+       ; z1 = (tmp12 + tmp13) * 0.541196100;
+       ; data2 = z1 + tmp13 * 0.765366865;
+       ; data6 = z1 + tmp12 * -1.847759065;
+       ;
+       ; (This implementation)
+       ; data2 = tmp13 * (0.541196100 + 0.765366865) + tmp12 * 0.541196100;
+       ; data6 = tmp13 * 0.541196100 + tmp12 * (0.541196100 - 1.847759065);
+       movdqa    xmm7,xmm4             ; xmm4=tmp13
+       movdqa    xmm6,xmm4
+       punpcklwd xmm7,xmm0             ; xmm0=tmp12
+       punpckhwd xmm6,xmm0
+       movdqa    xmm4,xmm7
+       movdqa    xmm0,xmm6
+       pmaddwd   xmm7,[GOTOFF(ebx,PW_F130_F054)]       ; xmm7=data2L
+       pmaddwd   xmm6,[GOTOFF(ebx,PW_F130_F054)]       ; xmm6=data2H
+       pmaddwd   xmm4,[GOTOFF(ebx,PW_F054_MF130)]      ; xmm4=data6L
+       pmaddwd   xmm0,[GOTOFF(ebx,PW_F054_MF130)]      ; xmm0=data6H
+       paddd   xmm7,[GOTOFF(ebx,PD_DESCALE_P1)]
+       paddd   xmm6,[GOTOFF(ebx,PD_DESCALE_P1)]
+       psrad   xmm7,DESCALE_P1
+       psrad   xmm6,DESCALE_P1
+       paddd   xmm4,[GOTOFF(ebx,PD_DESCALE_P1)]
+       paddd   xmm0,[GOTOFF(ebx,PD_DESCALE_P1)]
+       psrad   xmm4,DESCALE_P1
+       psrad   xmm0,DESCALE_P1
+       packssdw  xmm7,xmm6             ; xmm7=data2
+       packssdw  xmm4,xmm0             ; xmm4=data6
+       movdqa  XMMWORD [wk(4)], xmm7   ; wk(4)=data2
+       movdqa  XMMWORD [wk(5)], xmm4   ; wk(5)=data6
+       ; -- Odd part
+       movdqa  xmm3, XMMWORD [wk(0)]   ; xmm3=tmp6
+       movdqa  xmm1, XMMWORD [wk(1)]   ; xmm1=tmp7
+       movdqa  xmm6,xmm2               ; xmm2=tmp4
+       movdqa  xmm0,xmm5               ; xmm5=tmp5
+       paddw   xmm6,xmm3               ; xmm6=z3
+       paddw   xmm0,xmm1               ; xmm0=z4
+       ; (Original)
+       ; z5 = (z3 + z4) * 1.175875602;
+       ; z3 = z3 * -1.961570560;  z4 = z4 * -0.390180644;
+       ; z3 += z5;  z4 += z5;
+       ;
+       ; (This implementation)
+       ; z3 = z3 * (1.175875602 - 1.961570560) + z4 * 1.175875602;
+       ; z4 = z3 * 1.175875602 + z4 * (1.175875602 - 0.390180644);
+       movdqa    xmm7,xmm6
+       movdqa    xmm4,xmm6
+       punpcklwd xmm7,xmm0
+       punpckhwd xmm4,xmm0
+       movdqa    xmm6,xmm7
+       movdqa    xmm0,xmm4
+       pmaddwd   xmm7,[GOTOFF(ebx,PW_MF078_F117)]      ; xmm7=z3L
+       pmaddwd   xmm4,[GOTOFF(ebx,PW_MF078_F117)]      ; xmm4=z3H
+       pmaddwd   xmm6,[GOTOFF(ebx,PW_F117_F078)]       ; xmm6=z4L
+       pmaddwd   xmm0,[GOTOFF(ebx,PW_F117_F078)]       ; xmm0=z4H
+       movdqa  XMMWORD [wk(0)], xmm7   ; wk(0)=z3L
+       movdqa  XMMWORD [wk(1)], xmm4   ; wk(1)=z3H
+       ; (Original)
+       ; z1 = tmp4 + tmp7;  z2 = tmp5 + tmp6;
+       ; tmp4 = tmp4 * 0.298631336;  tmp5 = tmp5 * 2.053119869;
+       ; tmp6 = tmp6 * 3.072711026;  tmp7 = tmp7 * 1.501321110;
+       ; z1 = z1 * -0.899976223;  z2 = z2 * -2.562915447;
+       ; data7 = tmp4 + z1 + z3;  data5 = tmp5 + z2 + z4;
+       ; data3 = tmp6 + z2 + z3;  data1 = tmp7 + z1 + z4;
+       ;
+       ; (This implementation)
+       ; tmp4 = tmp4 * (0.298631336 - 0.899976223) + tmp7 * -0.899976223;
+       ; tmp5 = tmp5 * (2.053119869 - 2.562915447) + tmp6 * -2.562915447;
+       ; tmp6 = tmp5 * -2.562915447 + tmp6 * (3.072711026 - 2.562915447);
+       ; tmp7 = tmp4 * -0.899976223 + tmp7 * (1.501321110 - 0.899976223);
+       ; data7 = tmp4 + z3;  data5 = tmp5 + z4;
+       ; data3 = tmp6 + z3;  data1 = tmp7 + z4;
+       movdqa    xmm7,xmm2
+       movdqa    xmm4,xmm2
+       punpcklwd xmm7,xmm1
+       punpckhwd xmm4,xmm1
+       movdqa    xmm2,xmm7
+       movdqa    xmm1,xmm4
+       pmaddwd   xmm7,[GOTOFF(ebx,PW_MF060_MF089)]     ; xmm7=tmp4L
+       pmaddwd   xmm4,[GOTOFF(ebx,PW_MF060_MF089)]     ; xmm4=tmp4H
+       pmaddwd   xmm2,[GOTOFF(ebx,PW_MF089_F060)]      ; xmm2=tmp7L
+       pmaddwd   xmm1,[GOTOFF(ebx,PW_MF089_F060)]      ; xmm1=tmp7H
+       paddd   xmm7, XMMWORD [wk(0)]   ; xmm7=data7L
+       paddd   xmm4, XMMWORD [wk(1)]   ; xmm4=data7H
+       paddd   xmm2,xmm6               ; xmm2=data1L
+       paddd   xmm1,xmm0               ; xmm1=data1H
+       paddd   xmm7,[GOTOFF(ebx,PD_DESCALE_P1)]
+       paddd   xmm4,[GOTOFF(ebx,PD_DESCALE_P1)]
+       psrad   xmm7,DESCALE_P1
+       psrad   xmm4,DESCALE_P1
+       paddd   xmm2,[GOTOFF(ebx,PD_DESCALE_P1)]
+       paddd   xmm1,[GOTOFF(ebx,PD_DESCALE_P1)]
+       psrad   xmm2,DESCALE_P1
+       psrad   xmm1,DESCALE_P1
+       packssdw  xmm7,xmm4             ; xmm7=data7
+       packssdw  xmm2,xmm1             ; xmm2=data1
+       movdqa    xmm4,xmm5
+       movdqa    xmm1,xmm5
+       punpcklwd xmm4,xmm3
+       punpckhwd xmm1,xmm3
+       movdqa    xmm5,xmm4
+       movdqa    xmm3,xmm1
+       pmaddwd   xmm4,[GOTOFF(ebx,PW_MF050_MF256)]     ; xmm4=tmp5L
+       pmaddwd   xmm1,[GOTOFF(ebx,PW_MF050_MF256)]     ; xmm1=tmp5H
+       pmaddwd   xmm5,[GOTOFF(ebx,PW_MF256_F050)]      ; xmm5=tmp6L
+       pmaddwd   xmm3,[GOTOFF(ebx,PW_MF256_F050)]      ; xmm3=tmp6H
+       paddd   xmm4,xmm6               ; xmm4=data5L
+       paddd   xmm1,xmm0               ; xmm1=data5H
+       paddd   xmm5, XMMWORD [wk(0)]   ; xmm5=data3L
+       paddd   xmm3, XMMWORD [wk(1)]   ; xmm3=data3H
+       paddd   xmm4,[GOTOFF(ebx,PD_DESCALE_P1)]
+       paddd   xmm1,[GOTOFF(ebx,PD_DESCALE_P1)]
+       psrad   xmm4,DESCALE_P1
+       psrad   xmm1,DESCALE_P1
+       paddd   xmm5,[GOTOFF(ebx,PD_DESCALE_P1)]
+       paddd   xmm3,[GOTOFF(ebx,PD_DESCALE_P1)]
+       psrad   xmm5,DESCALE_P1
+       psrad   xmm3,DESCALE_P1
+       packssdw  xmm4,xmm1             ; xmm4=data5
+       packssdw  xmm5,xmm3             ; xmm5=data3
+       ; ---- Pass 2: process columns.
+ ;     mov     edx, POINTER [data(eax)]        ; (DCTELEM *)
+       movdqa  xmm6, XMMWORD [wk(2)]   ; xmm6=col0
+       movdqa  xmm0, XMMWORD [wk(4)]   ; xmm0=col2
+       ; xmm6=(00 10 20 30 40 50 60 70), xmm0=(02 12 22 32 42 52 62 72)
+       ; xmm2=(01 11 21 31 41 51 61 71), xmm5=(03 13 23 33 43 53 63 73)
+       movdqa    xmm1,xmm6             ; transpose coefficients(phase 1)
+       punpcklwd xmm6,xmm2             ; xmm6=(00 01 10 11 20 21 30 31)
+       punpckhwd xmm1,xmm2             ; xmm1=(40 41 50 51 60 61 70 71)
+       movdqa    xmm3,xmm0             ; transpose coefficients(phase 1)
+       punpcklwd xmm0,xmm5             ; xmm0=(02 03 12 13 22 23 32 33)
+       punpckhwd xmm3,xmm5             ; xmm3=(42 43 52 53 62 63 72 73)
+       movdqa  xmm2, XMMWORD [wk(3)]   ; xmm2=col4
+       movdqa  xmm5, XMMWORD [wk(5)]   ; xmm5=col6
+       ; xmm2=(04 14 24 34 44 54 64 74), xmm5=(06 16 26 36 46 56 66 76)
+       ; xmm4=(05 15 25 35 45 55 65 75), xmm7=(07 17 27 37 47 57 67 77)
+       movdqa  XMMWORD [wk(0)], xmm0   ; wk(0)=(02 03 12 13 22 23 32 33)
+       movdqa  XMMWORD [wk(1)], xmm3   ; wk(1)=(42 43 52 53 62 63 72 73)
+       movdqa    xmm0,xmm2             ; transpose coefficients(phase 1)
+       punpcklwd xmm2,xmm4             ; xmm2=(04 05 14 15 24 25 34 35)
+       punpckhwd xmm0,xmm4             ; xmm0=(44 45 54 55 64 65 74 75)
+       movdqa    xmm3,xmm5             ; transpose coefficients(phase 1)
+       punpcklwd xmm5,xmm7             ; xmm5=(06 07 16 17 26 27 36 37)
+       punpckhwd xmm3,xmm7             ; xmm3=(46 47 56 57 66 67 76 77)
+       movdqa    xmm4,xmm2             ; transpose coefficients(phase 2)
+       punpckldq xmm2,xmm5             ; xmm2=(04 05 06 07 14 15 16 17)
+       punpckhdq xmm4,xmm5             ; xmm4=(24 25 26 27 34 35 36 37)
+       movdqa    xmm7,xmm0             ; transpose coefficients(phase 2)
+       punpckldq xmm0,xmm3             ; xmm0=(44 45 46 47 54 55 56 57)
+       punpckhdq xmm7,xmm3             ; xmm7=(64 65 66 67 74 75 76 77)
+       movdqa  xmm5, XMMWORD [wk(0)]   ; xmm5=(02 03 12 13 22 23 32 33)
+       movdqa  xmm3, XMMWORD [wk(1)]   ; xmm3=(42 43 52 53 62 63 72 73)
+       movdqa  XMMWORD [wk(2)], xmm4   ; wk(2)=(24 25 26 27 34 35 36 37)
+       movdqa  XMMWORD [wk(3)], xmm0   ; wk(3)=(44 45 46 47 54 55 56 57)
+       movdqa    xmm4,xmm6             ; transpose coefficients(phase 2)
+       punpckldq xmm6,xmm5             ; xmm6=(00 01 02 03 10 11 12 13)
+       punpckhdq xmm4,xmm5             ; xmm4=(20 21 22 23 30 31 32 33)
+       movdqa    xmm0,xmm1             ; transpose coefficients(phase 2)
+       punpckldq xmm1,xmm3             ; xmm1=(40 41 42 43 50 51 52 53)
+       punpckhdq xmm0,xmm3             ; xmm0=(60 61 62 63 70 71 72 73)
+       movdqa     xmm5,xmm6            ; transpose coefficients(phase 3)
+       punpcklqdq xmm6,xmm2            ; xmm6=(00 01 02 03 04 05 06 07)=data0
+       punpckhqdq xmm5,xmm2            ; xmm5=(10 11 12 13 14 15 16 17)=data1
+       movdqa     xmm3,xmm0            ; transpose coefficients(phase 3)
+       punpcklqdq xmm0,xmm7            ; xmm0=(60 61 62 63 64 65 66 67)=data6
+       punpckhqdq xmm3,xmm7            ; xmm3=(70 71 72 73 74 75 76 77)=data7
+       movdqa  xmm2,xmm5
+       movdqa  xmm7,xmm6
+       psubw   xmm5,xmm0               ; xmm5=data1-data6=tmp6
+       psubw   xmm6,xmm3               ; xmm6=data0-data7=tmp7
+       paddw   xmm2,xmm0               ; xmm2=data1+data6=tmp1
+       paddw   xmm7,xmm3               ; xmm7=data0+data7=tmp0
+       movdqa  xmm0, XMMWORD [wk(2)]   ; xmm0=(24 25 26 27 34 35 36 37)
+       movdqa  xmm3, XMMWORD [wk(3)]   ; xmm3=(44 45 46 47 54 55 56 57)
+       movdqa  XMMWORD [wk(0)], xmm5   ; wk(0)=tmp6
+       movdqa  XMMWORD [wk(1)], xmm6   ; wk(1)=tmp7
+       movdqa     xmm5,xmm4            ; transpose coefficients(phase 3)
+       punpcklqdq xmm4,xmm0            ; xmm4=(20 21 22 23 24 25 26 27)=data2
+       punpckhqdq xmm5,xmm0            ; xmm5=(30 31 32 33 34 35 36 37)=data3
+       movdqa     xmm6,xmm1            ; transpose coefficients(phase 3)
+       punpcklqdq xmm1,xmm3            ; xmm1=(40 41 42 43 44 45 46 47)=data4
+       punpckhqdq xmm6,xmm3            ; xmm6=(50 51 52 53 54 55 56 57)=data5
+       movdqa  xmm0,xmm5
+       movdqa  xmm3,xmm4
+       paddw   xmm5,xmm1               ; xmm5=data3+data4=tmp3
+       paddw   xmm4,xmm6               ; xmm4=data2+data5=tmp2
+       psubw   xmm0,xmm1               ; xmm0=data3-data4=tmp4
+       psubw   xmm3,xmm6               ; xmm3=data2-data5=tmp5
+       ; -- Even part
+       movdqa  xmm1,xmm7
+       movdqa  xmm6,xmm2
+       paddw   xmm7,xmm5               ; xmm7=tmp10
+       paddw   xmm2,xmm4               ; xmm2=tmp11
+       psubw   xmm1,xmm5               ; xmm1=tmp13
+       psubw   xmm6,xmm4               ; xmm6=tmp12
+       movdqa  xmm5,xmm7
+       paddw   xmm7,xmm2               ; xmm7=tmp10+tmp11
+       psubw   xmm5,xmm2               ; xmm5=tmp10-tmp11
+       paddw   xmm7,[GOTOFF(ebx,PW_DESCALE_P2X)]
+       paddw   xmm5,[GOTOFF(ebx,PW_DESCALE_P2X)]
+       psraw   xmm7,PASS1_BITS         ; xmm7=data0
+       psraw   xmm5,PASS1_BITS         ; xmm5=data4
+       movdqa  XMMWORD [XMMBLOCK(0,0,edx,SIZEOF_DCTELEM)], xmm7
+       movdqa  XMMWORD [XMMBLOCK(4,0,edx,SIZEOF_DCTELEM)], xmm5
+       ; (Original)
+       ; z1 = (tmp12 + tmp13) * 0.541196100;
+       ; data2 = z1 + tmp13 * 0.765366865;
+       ; data6 = z1 + tmp12 * -1.847759065;
+       ;
+       ; (This implementation)
+       ; data2 = tmp13 * (0.541196100 + 0.765366865) + tmp12 * 0.541196100;
+       ; data6 = tmp13 * 0.541196100 + tmp12 * (0.541196100 - 1.847759065);
+       movdqa    xmm4,xmm1             ; xmm1=tmp13
+       movdqa    xmm2,xmm1
+       punpcklwd xmm4,xmm6             ; xmm6=tmp12
+       punpckhwd xmm2,xmm6
+       movdqa    xmm1,xmm4
+       movdqa    xmm6,xmm2
+       pmaddwd   xmm4,[GOTOFF(ebx,PW_F130_F054)]       ; xmm4=data2L
+       pmaddwd   xmm2,[GOTOFF(ebx,PW_F130_F054)]       ; xmm2=data2H
+       pmaddwd   xmm1,[GOTOFF(ebx,PW_F054_MF130)]      ; xmm1=data6L
+       pmaddwd   xmm6,[GOTOFF(ebx,PW_F054_MF130)]      ; xmm6=data6H
+       paddd   xmm4,[GOTOFF(ebx,PD_DESCALE_P2)]
+       paddd   xmm2,[GOTOFF(ebx,PD_DESCALE_P2)]
+       psrad   xmm4,DESCALE_P2
+       psrad   xmm2,DESCALE_P2
+       paddd   xmm1,[GOTOFF(ebx,PD_DESCALE_P2)]
+       paddd   xmm6,[GOTOFF(ebx,PD_DESCALE_P2)]
+       psrad   xmm1,DESCALE_P2
+       psrad   xmm6,DESCALE_P2
+       packssdw  xmm4,xmm2             ; xmm4=data2
+       packssdw  xmm1,xmm6             ; xmm1=data6
+       movdqa  XMMWORD [XMMBLOCK(2,0,edx,SIZEOF_DCTELEM)], xmm4
+       movdqa  XMMWORD [XMMBLOCK(6,0,edx,SIZEOF_DCTELEM)], xmm1
+       ; -- Odd part
+       movdqa  xmm7, XMMWORD [wk(0)]   ; xmm7=tmp6
+       movdqa  xmm5, XMMWORD [wk(1)]   ; xmm5=tmp7
+       movdqa  xmm2,xmm0               ; xmm0=tmp4
+       movdqa  xmm6,xmm3               ; xmm3=tmp5
+       paddw   xmm2,xmm7               ; xmm2=z3
+       paddw   xmm6,xmm5               ; xmm6=z4
+       ; (Original)
+       ; z5 = (z3 + z4) * 1.175875602;
+       ; z3 = z3 * -1.961570560;  z4 = z4 * -0.390180644;
+       ; z3 += z5;  z4 += z5;
+       ;
+       ; (This implementation)
+       ; z3 = z3 * (1.175875602 - 1.961570560) + z4 * 1.175875602;
+       ; z4 = z3 * 1.175875602 + z4 * (1.175875602 - 0.390180644);
+       movdqa    xmm4,xmm2
+       movdqa    xmm1,xmm2
+       punpcklwd xmm4,xmm6
+       punpckhwd xmm1,xmm6
+       movdqa    xmm2,xmm4
+       movdqa    xmm6,xmm1
+       pmaddwd   xmm4,[GOTOFF(ebx,PW_MF078_F117)]      ; xmm4=z3L
+       pmaddwd   xmm1,[GOTOFF(ebx,PW_MF078_F117)]      ; xmm1=z3H
+       pmaddwd   xmm2,[GOTOFF(ebx,PW_F117_F078)]       ; xmm2=z4L
+       pmaddwd   xmm6,[GOTOFF(ebx,PW_F117_F078)]       ; xmm6=z4H
+       movdqa  XMMWORD [wk(0)], xmm4   ; wk(0)=z3L
+       movdqa  XMMWORD [wk(1)], xmm1   ; wk(1)=z3H
+       ; (Original)
+       ; z1 = tmp4 + tmp7;  z2 = tmp5 + tmp6;
+       ; tmp4 = tmp4 * 0.298631336;  tmp5 = tmp5 * 2.053119869;
+       ; tmp6 = tmp6 * 3.072711026;  tmp7 = tmp7 * 1.501321110;
+       ; z1 = z1 * -0.899976223;  z2 = z2 * -2.562915447;
+       ; data7 = tmp4 + z1 + z3;  data5 = tmp5 + z2 + z4;
+       ; data3 = tmp6 + z2 + z3;  data1 = tmp7 + z1 + z4;
+       ;
+       ; (This implementation)
+       ; tmp4 = tmp4 * (0.298631336 - 0.899976223) + tmp7 * -0.899976223;
+       ; tmp5 = tmp5 * (2.053119869 - 2.562915447) + tmp6 * -2.562915447;
+       ; tmp6 = tmp5 * -2.562915447 + tmp6 * (3.072711026 - 2.562915447);
+       ; tmp7 = tmp4 * -0.899976223 + tmp7 * (1.501321110 - 0.899976223);
+       ; data7 = tmp4 + z3;  data5 = tmp5 + z4;
+       ; data3 = tmp6 + z3;  data1 = tmp7 + z4;
+       movdqa    xmm4,xmm0
+       movdqa    xmm1,xmm0
+       punpcklwd xmm4,xmm5
+       punpckhwd xmm1,xmm5
+       movdqa    xmm0,xmm4
+       movdqa    xmm5,xmm1
+       pmaddwd   xmm4,[GOTOFF(ebx,PW_MF060_MF089)]     ; xmm4=tmp4L
+       pmaddwd   xmm1,[GOTOFF(ebx,PW_MF060_MF089)]     ; xmm1=tmp4H
+       pmaddwd   xmm0,[GOTOFF(ebx,PW_MF089_F060)]      ; xmm0=tmp7L
+       pmaddwd   xmm5,[GOTOFF(ebx,PW_MF089_F060)]      ; xmm5=tmp7H
+       paddd   xmm4, XMMWORD [wk(0)]   ; xmm4=data7L
+       paddd   xmm1, XMMWORD [wk(1)]   ; xmm1=data7H
+       paddd   xmm0,xmm2               ; xmm0=data1L
+       paddd   xmm5,xmm6               ; xmm5=data1H
+       paddd   xmm4,[GOTOFF(ebx,PD_DESCALE_P2)]
+       paddd   xmm1,[GOTOFF(ebx,PD_DESCALE_P2)]
+       psrad   xmm4,DESCALE_P2
+       psrad   xmm1,DESCALE_P2
+       paddd   xmm0,[GOTOFF(ebx,PD_DESCALE_P2)]
+       paddd   xmm5,[GOTOFF(ebx,PD_DESCALE_P2)]
+       psrad   xmm0,DESCALE_P2
+       psrad   xmm5,DESCALE_P2
+       packssdw  xmm4,xmm1             ; xmm4=data7
+       packssdw  xmm0,xmm5             ; xmm0=data1
+       movdqa  XMMWORD [XMMBLOCK(7,0,edx,SIZEOF_DCTELEM)], xmm4
+       movdqa  XMMWORD [XMMBLOCK(1,0,edx,SIZEOF_DCTELEM)], xmm0
+       movdqa    xmm1,xmm3
+       movdqa    xmm5,xmm3
+       punpcklwd xmm1,xmm7
+       punpckhwd xmm5,xmm7
+       movdqa    xmm3,xmm1
+       movdqa    xmm7,xmm5
+       pmaddwd   xmm1,[GOTOFF(ebx,PW_MF050_MF256)]     ; xmm1=tmp5L
+       pmaddwd   xmm5,[GOTOFF(ebx,PW_MF050_MF256)]     ; xmm5=tmp5H
+       pmaddwd   xmm3,[GOTOFF(ebx,PW_MF256_F050)]      ; xmm3=tmp6L
+       pmaddwd   xmm7,[GOTOFF(ebx,PW_MF256_F050)]      ; xmm7=tmp6H
+       paddd   xmm1,xmm2               ; xmm1=data5L
+       paddd   xmm5,xmm6               ; xmm5=data5H
+       paddd   xmm3, XMMWORD [wk(0)]   ; xmm3=data3L
+       paddd   xmm7, XMMWORD [wk(1)]   ; xmm7=data3H
+       paddd   xmm1,[GOTOFF(ebx,PD_DESCALE_P2)]
+       paddd   xmm5,[GOTOFF(ebx,PD_DESCALE_P2)]
+       psrad   xmm1,DESCALE_P2
+       psrad   xmm5,DESCALE_P2
+       paddd   xmm3,[GOTOFF(ebx,PD_DESCALE_P2)]
+       paddd   xmm7,[GOTOFF(ebx,PD_DESCALE_P2)]
+       psrad   xmm3,DESCALE_P2
+       psrad   xmm7,DESCALE_P2
+       packssdw  xmm1,xmm5             ; xmm1=data5
+       packssdw  xmm3,xmm7             ; xmm3=data3
+       movdqa  XMMWORD [XMMBLOCK(5,0,edx,SIZEOF_DCTELEM)], xmm1
+       movdqa  XMMWORD [XMMBLOCK(3,0,edx,SIZEOF_DCTELEM)], xmm3
+ ;     pop     edi             ; unused
+ ;     pop     esi             ; unused
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; unused
+       poppic  ebx
+       mov     esp,ebp         ; esp <- aligned ebp
+       pop     esp             ; esp <- original ebp
+       pop     ebp
+       ret
index 0000000000000000000000000000000000000000,c0565a3bd24cef330dee8109a4d67caab9d5b1ec..6bb429a277426fdb13a6536b5779608806b2024b
mode 000000,100644..100644
--- /dev/null
@@@ -1,0 -1,508 +1,495 @@@
 -; Last Modified : February 4, 2006
 -;
+ ;
+ ; jiss2flt.asm - floating-point IDCT (SSE & SSE2)
+ ;
++; Copyright 2009 Pierre Ossman <ossman@cendio.se> for Cendio AB
++;
++; Based on
+ ; x86 SIMD extension for IJG JPEG library
+ ; Copyright (C) 1999-2006, MIYASAKA Masaru.
+ ; For conditions of distribution and use, see copyright notice in jsimdext.inc
+ ;
+ ; This file should be assembled with NASM (Netwide Assembler),
+ ; can *not* be assembled with Microsoft's MASM or any compatible
+ ; assembler (including Borland's Turbo Assembler).
+ ; NASM is available from http://nasm.sourceforge.net/ or
+ ; http://sourceforge.net/project/showfiles.php?group_id=6208
+ ;
+ ; This file contains a floating-point implementation of the inverse DCT
+ ; (Discrete Cosine Transform). The following code is based directly on
+ ; the IJG's original jidctflt.c; see the jidctflt.c for more details.
+ ;
 -%include "jsimdext.inc"
 -%include "jdct.inc"
 -
 -%ifdef DCT_FLOAT_SUPPORTED
 -%ifdef JIDCT_FLT_SSE_SSE2_SUPPORTED
 -
 -; This module is specialized to the case DCTSIZE = 8.
 -;
 -%if DCTSIZE != 8
 -%error "Sorry, this code only copes with 8x8 DCTs."
 -%endif
+ ; [TAB8]
 -; jpeg_idct_float_sse2 (j_decompress_ptr cinfo, jpeg_component_info * compptr,
 -;                       JCOEFPTR coef_block,
 -;                       JSAMPARRAY output_buf, JDIMENSION output_col)
++%include "simd/jsimdext.inc"
++%include "simd/jdct.inc"
+ ; --------------------------------------------------------------------------
+ %macro        unpcklps2 2     ; %1=(0 1 2 3) / %2=(4 5 6 7) => %1=(0 1 4 5)
+       shufps  %1,%2,0x44
+ %endmacro
+ %macro        unpckhps2 2     ; %1=(0 1 2 3) / %2=(4 5 6 7) => %1=(2 3 6 7)
+       shufps  %1,%2,0xEE
+ %endmacro
+ ; --------------------------------------------------------------------------
+       SECTION SEG_CONST
+       alignz  16
+       global  EXTN(jconst_idct_float_sse2)
+ EXTN(jconst_idct_float_sse2):
+ PD_1_414      times 4 dd  1.414213562373095048801689
+ PD_1_847      times 4 dd  1.847759065022573512256366
+ PD_1_082      times 4 dd  1.082392200292393968799446
+ PD_M2_613     times 4 dd -2.613125929752753055713286
+ PD_RNDINT_MAGIC       times 4 dd  100663296.0 ; (float)(0x00C00000 << 3)
+ PB_CENTERJSAMP        times 16 db CENTERJSAMPLE
+       alignz  16
+ ; --------------------------------------------------------------------------
+       SECTION SEG_TEXT
+       BITS    32
+ ;
+ ; Perform dequantization and inverse DCT on one block of coefficients.
+ ;
+ ; GLOBAL(void)
 -%define cinfo(b)      (b)+8           ; j_decompress_ptr cinfo
 -%define compptr(b)    (b)+12          ; jpeg_component_info * compptr
 -%define coef_block(b) (b)+16          ; JCOEFPTR coef_block
 -%define output_buf(b) (b)+20          ; JSAMPARRAY output_buf
 -%define output_col(b) (b)+24          ; JDIMENSION output_col
++; jsimd_idct_float_sse2 (void * dct_table, JCOEFPTR coef_block,
++;                        JSAMPARRAY output_buf, JDIMENSION output_col)
+ ;
 -      global  EXTN(jpeg_idct_float_sse2)
++%define dct_table(b)  (b)+8                   ; void * dct_table
++%define coef_block(b) (b)+12          ; JCOEFPTR coef_block
++%define output_buf(b) (b)+16          ; JSAMPARRAY output_buf
++%define output_col(b) (b)+20          ; JDIMENSION output_col
+ %define original_ebp  ebp+0
+ %define wk(i)         ebp-(WK_NUM-(i))*SIZEOF_XMMWORD ; xmmword wk[WK_NUM]
+ %define WK_NUM                2
+ %define workspace     wk(0)-DCTSIZE2*SIZEOF_FAST_FLOAT
+                                       ; FAST_FLOAT workspace[DCTSIZE2]
+       align   16
 -EXTN(jpeg_idct_float_sse2):
++      global  EXTN(jsimd_idct_float_sse2)
 -      mov     edx, POINTER [compptr(eax)]
 -      mov     edx, POINTER [jcompinfo_dct_table(edx)] ; quantptr
++EXTN(jsimd_idct_float_sse2):
+       push    ebp
+       mov     eax,esp                         ; eax = original ebp
+       sub     esp, byte 4
+       and     esp, byte (-SIZEOF_XMMWORD)     ; align to 128 bits
+       mov     [esp],eax
+       mov     ebp,esp                         ; ebp = aligned ebp
+       lea     esp, [workspace]
+       push    ebx
+ ;     push    ecx             ; need not be preserved
+ ;     push    edx             ; need not be preserved
+       push    esi
+       push    edi
+       get_GOT ebx             ; get GOT address
+       ; ---- Pass 1: process columns from input, store into work array.
+ ;     mov     eax, [original_ebp]
 -      movq    xmm1, _MMWORD [MMBLOCK(1,0,esi,SIZEOF_JCOEF)]
 -      movq    xmm2, _MMWORD [MMBLOCK(2,0,esi,SIZEOF_JCOEF)]
 -      movq    xmm3, _MMWORD [MMBLOCK(3,0,esi,SIZEOF_JCOEF)]
 -      movq    xmm4, _MMWORD [MMBLOCK(4,0,esi,SIZEOF_JCOEF)]
 -      movq    xmm5, _MMWORD [MMBLOCK(5,0,esi,SIZEOF_JCOEF)]
 -      movq    xmm6, _MMWORD [MMBLOCK(6,0,esi,SIZEOF_JCOEF)]
 -      movq    xmm7, _MMWORD [MMBLOCK(7,0,esi,SIZEOF_JCOEF)]
++      mov     edx, POINTER [dct_table(eax)]   ; quantptr
+       mov     esi, JCOEFPTR [coef_block(eax)]         ; inptr
+       lea     edi, [workspace]                        ; FAST_FLOAT * wsptr
+       mov     ecx, DCTSIZE/4                          ; ctr
+       alignx  16,7
+ .columnloop:
+ %ifndef NO_ZERO_COLUMN_TEST_FLOAT_SSE
+       mov     eax, DWORD [DWBLOCK(1,0,esi,SIZEOF_JCOEF)]
+       or      eax, DWORD [DWBLOCK(2,0,esi,SIZEOF_JCOEF)]
+       jnz     near .columnDCT
 -      movq      xmm0, _MMWORD [MMBLOCK(0,0,esi,SIZEOF_JCOEF)]
++      movq    xmm1, XMM_MMWORD [MMBLOCK(1,0,esi,SIZEOF_JCOEF)]
++      movq    xmm2, XMM_MMWORD [MMBLOCK(2,0,esi,SIZEOF_JCOEF)]
++      movq    xmm3, XMM_MMWORD [MMBLOCK(3,0,esi,SIZEOF_JCOEF)]
++      movq    xmm4, XMM_MMWORD [MMBLOCK(4,0,esi,SIZEOF_JCOEF)]
++      movq    xmm5, XMM_MMWORD [MMBLOCK(5,0,esi,SIZEOF_JCOEF)]
++      movq    xmm6, XMM_MMWORD [MMBLOCK(6,0,esi,SIZEOF_JCOEF)]
++      movq    xmm7, XMM_MMWORD [MMBLOCK(7,0,esi,SIZEOF_JCOEF)]
+       por     xmm1,xmm2
+       por     xmm3,xmm4
+       por     xmm5,xmm6
+       por     xmm1,xmm3
+       por     xmm5,xmm7
+       por     xmm1,xmm5
+       packsswb xmm1,xmm1
+       movd    eax,xmm1
+       test    eax,eax
+       jnz     short .columnDCT
+       ; -- AC terms all zero
 -      movq      xmm0, _MMWORD [MMBLOCK(0,0,esi,SIZEOF_JCOEF)]
 -      movq      xmm1, _MMWORD [MMBLOCK(2,0,esi,SIZEOF_JCOEF)]
 -      movq      xmm2, _MMWORD [MMBLOCK(4,0,esi,SIZEOF_JCOEF)]
 -      movq      xmm3, _MMWORD [MMBLOCK(6,0,esi,SIZEOF_JCOEF)]
++      movq      xmm0, XMM_MMWORD [MMBLOCK(0,0,esi,SIZEOF_JCOEF)]
+       punpcklwd xmm0,xmm0             ; xmm0=(00 00 01 01 02 02 03 03)
+       psrad     xmm0,(DWORD_BIT-WORD_BIT)     ; xmm0=in0=(00 01 02 03)
+       cvtdq2ps  xmm0,xmm0                     ; xmm0=in0=(00 01 02 03)
+       mulps   xmm0, XMMWORD [XMMBLOCK(0,0,edx,SIZEOF_FLOAT_MULT_TYPE)]
+       movaps  xmm1,xmm0
+       movaps  xmm2,xmm0
+       movaps  xmm3,xmm0
+       shufps  xmm0,xmm0,0x00                  ; xmm0=(00 00 00 00)
+       shufps  xmm1,xmm1,0x55                  ; xmm1=(01 01 01 01)
+       shufps  xmm2,xmm2,0xAA                  ; xmm2=(02 02 02 02)
+       shufps  xmm3,xmm3,0xFF                  ; xmm3=(03 03 03 03)
+       movaps  XMMWORD [XMMBLOCK(0,0,edi,SIZEOF_FAST_FLOAT)], xmm0
+       movaps  XMMWORD [XMMBLOCK(0,1,edi,SIZEOF_FAST_FLOAT)], xmm0
+       movaps  XMMWORD [XMMBLOCK(1,0,edi,SIZEOF_FAST_FLOAT)], xmm1
+       movaps  XMMWORD [XMMBLOCK(1,1,edi,SIZEOF_FAST_FLOAT)], xmm1
+       movaps  XMMWORD [XMMBLOCK(2,0,edi,SIZEOF_FAST_FLOAT)], xmm2
+       movaps  XMMWORD [XMMBLOCK(2,1,edi,SIZEOF_FAST_FLOAT)], xmm2
+       movaps  XMMWORD [XMMBLOCK(3,0,edi,SIZEOF_FAST_FLOAT)], xmm3
+       movaps  XMMWORD [XMMBLOCK(3,1,edi,SIZEOF_FAST_FLOAT)], xmm3
+       jmp     near .nextcolumn
+       alignx  16,7
+ %endif
+ .columnDCT:
+       ; -- Even part
 -      movq      xmm2, _MMWORD [MMBLOCK(1,0,esi,SIZEOF_JCOEF)]
 -      movq      xmm3, _MMWORD [MMBLOCK(3,0,esi,SIZEOF_JCOEF)]
 -      movq      xmm5, _MMWORD [MMBLOCK(5,0,esi,SIZEOF_JCOEF)]
 -      movq      xmm1, _MMWORD [MMBLOCK(7,0,esi,SIZEOF_JCOEF)]
++      movq      xmm0, XMM_MMWORD [MMBLOCK(0,0,esi,SIZEOF_JCOEF)]
++      movq      xmm1, XMM_MMWORD [MMBLOCK(2,0,esi,SIZEOF_JCOEF)]
++      movq      xmm2, XMM_MMWORD [MMBLOCK(4,0,esi,SIZEOF_JCOEF)]
++      movq      xmm3, XMM_MMWORD [MMBLOCK(6,0,esi,SIZEOF_JCOEF)]
+       punpcklwd xmm0,xmm0             ; xmm0=(00 00 01 01 02 02 03 03)
+       punpcklwd xmm1,xmm1             ; xmm1=(20 20 21 21 22 22 23 23)
+       psrad     xmm0,(DWORD_BIT-WORD_BIT)     ; xmm0=in0=(00 01 02 03)
+       psrad     xmm1,(DWORD_BIT-WORD_BIT)     ; xmm1=in2=(20 21 22 23)
+       cvtdq2ps  xmm0,xmm0                     ; xmm0=in0=(00 01 02 03)
+       cvtdq2ps  xmm1,xmm1                     ; xmm1=in2=(20 21 22 23)
+       punpcklwd xmm2,xmm2             ; xmm2=(40 40 41 41 42 42 43 43)
+       punpcklwd xmm3,xmm3             ; xmm3=(60 60 61 61 62 62 63 63)
+       psrad     xmm2,(DWORD_BIT-WORD_BIT)     ; xmm2=in4=(40 41 42 43)
+       psrad     xmm3,(DWORD_BIT-WORD_BIT)     ; xmm3=in6=(60 61 62 63)
+       cvtdq2ps  xmm2,xmm2                     ; xmm2=in4=(40 41 42 43)
+       cvtdq2ps  xmm3,xmm3                     ; xmm3=in6=(60 61 62 63)
+       mulps     xmm0, XMMWORD [XMMBLOCK(0,0,edx,SIZEOF_FLOAT_MULT_TYPE)]
+       mulps     xmm1, XMMWORD [XMMBLOCK(2,0,edx,SIZEOF_FLOAT_MULT_TYPE)]
+       mulps     xmm2, XMMWORD [XMMBLOCK(4,0,edx,SIZEOF_FLOAT_MULT_TYPE)]
+       mulps     xmm3, XMMWORD [XMMBLOCK(6,0,edx,SIZEOF_FLOAT_MULT_TYPE)]
+       movaps  xmm4,xmm0
+       movaps  xmm5,xmm1
+       subps   xmm0,xmm2               ; xmm0=tmp11
+       subps   xmm1,xmm3
+       addps   xmm4,xmm2               ; xmm4=tmp10
+       addps   xmm5,xmm3               ; xmm5=tmp13
+       mulps   xmm1,[GOTOFF(ebx,PD_1_414)]
+       subps   xmm1,xmm5               ; xmm1=tmp12
+       movaps  xmm6,xmm4
+       movaps  xmm7,xmm0
+       subps   xmm4,xmm5               ; xmm4=tmp3
+       subps   xmm0,xmm1               ; xmm0=tmp2
+       addps   xmm6,xmm5               ; xmm6=tmp0
+       addps   xmm7,xmm1               ; xmm7=tmp1
+       movaps  XMMWORD [wk(1)], xmm4   ; tmp3
+       movaps  XMMWORD [wk(0)], xmm0   ; tmp2
+       ; -- Odd part
 -      movq    _MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm6
 -      movq    _MMWORD [ebx+eax*SIZEOF_JSAMPLE], xmm7
++      movq      xmm2, XMM_MMWORD [MMBLOCK(1,0,esi,SIZEOF_JCOEF)]
++      movq      xmm3, XMM_MMWORD [MMBLOCK(3,0,esi,SIZEOF_JCOEF)]
++      movq      xmm5, XMM_MMWORD [MMBLOCK(5,0,esi,SIZEOF_JCOEF)]
++      movq      xmm1, XMM_MMWORD [MMBLOCK(7,0,esi,SIZEOF_JCOEF)]
+       punpcklwd xmm2,xmm2             ; xmm2=(10 10 11 11 12 12 13 13)
+       punpcklwd xmm3,xmm3             ; xmm3=(30 30 31 31 32 32 33 33)
+       psrad     xmm2,(DWORD_BIT-WORD_BIT)     ; xmm2=in1=(10 11 12 13)
+       psrad     xmm3,(DWORD_BIT-WORD_BIT)     ; xmm3=in3=(30 31 32 33)
+       cvtdq2ps  xmm2,xmm2                     ; xmm2=in1=(10 11 12 13)
+       cvtdq2ps  xmm3,xmm3                     ; xmm3=in3=(30 31 32 33)
+       punpcklwd xmm5,xmm5             ; xmm5=(50 50 51 51 52 52 53 53)
+       punpcklwd xmm1,xmm1             ; xmm1=(70 70 71 71 72 72 73 73)
+       psrad     xmm5,(DWORD_BIT-WORD_BIT)     ; xmm5=in5=(50 51 52 53)
+       psrad     xmm1,(DWORD_BIT-WORD_BIT)     ; xmm1=in7=(70 71 72 73)
+       cvtdq2ps  xmm5,xmm5                     ; xmm5=in5=(50 51 52 53)
+       cvtdq2ps  xmm1,xmm1                     ; xmm1=in7=(70 71 72 73)
+       mulps     xmm2, XMMWORD [XMMBLOCK(1,0,edx,SIZEOF_FLOAT_MULT_TYPE)]
+       mulps     xmm3, XMMWORD [XMMBLOCK(3,0,edx,SIZEOF_FLOAT_MULT_TYPE)]
+       mulps     xmm5, XMMWORD [XMMBLOCK(5,0,edx,SIZEOF_FLOAT_MULT_TYPE)]
+       mulps     xmm1, XMMWORD [XMMBLOCK(7,0,edx,SIZEOF_FLOAT_MULT_TYPE)]
+       movaps  xmm4,xmm2
+       movaps  xmm0,xmm5
+       addps   xmm2,xmm1               ; xmm2=z11
+       addps   xmm5,xmm3               ; xmm5=z13
+       subps   xmm4,xmm1               ; xmm4=z12
+       subps   xmm0,xmm3               ; xmm0=z10
+       movaps  xmm1,xmm2
+       subps   xmm2,xmm5
+       addps   xmm1,xmm5               ; xmm1=tmp7
+       mulps   xmm2,[GOTOFF(ebx,PD_1_414)]     ; xmm2=tmp11
+       movaps  xmm3,xmm0
+       addps   xmm0,xmm4
+       mulps   xmm0,[GOTOFF(ebx,PD_1_847)]     ; xmm0=z5
+       mulps   xmm3,[GOTOFF(ebx,PD_M2_613)]    ; xmm3=(z10 * -2.613125930)
+       mulps   xmm4,[GOTOFF(ebx,PD_1_082)]     ; xmm4=(z12 * 1.082392200)
+       addps   xmm3,xmm0               ; xmm3=tmp12
+       subps   xmm4,xmm0               ; xmm4=tmp10
+       ; -- Final output stage
+       subps   xmm3,xmm1               ; xmm3=tmp6
+       movaps  xmm5,xmm6
+       movaps  xmm0,xmm7
+       addps   xmm6,xmm1               ; xmm6=data0=(00 01 02 03)
+       addps   xmm7,xmm3               ; xmm7=data1=(10 11 12 13)
+       subps   xmm5,xmm1               ; xmm5=data7=(70 71 72 73)
+       subps   xmm0,xmm3               ; xmm0=data6=(60 61 62 63)
+       subps   xmm2,xmm3               ; xmm2=tmp5
+       movaps    xmm1,xmm6             ; transpose coefficients(phase 1)
+       unpcklps  xmm6,xmm7             ; xmm6=(00 10 01 11)
+       unpckhps  xmm1,xmm7             ; xmm1=(02 12 03 13)
+       movaps    xmm3,xmm0             ; transpose coefficients(phase 1)
+       unpcklps  xmm0,xmm5             ; xmm0=(60 70 61 71)
+       unpckhps  xmm3,xmm5             ; xmm3=(62 72 63 73)
+       movaps  xmm7, XMMWORD [wk(0)]   ; xmm7=tmp2
+       movaps  xmm5, XMMWORD [wk(1)]   ; xmm5=tmp3
+       movaps  XMMWORD [wk(0)], xmm0   ; wk(0)=(60 70 61 71)
+       movaps  XMMWORD [wk(1)], xmm3   ; wk(1)=(62 72 63 73)
+       addps   xmm4,xmm2               ; xmm4=tmp4
+       movaps  xmm0,xmm7
+       movaps  xmm3,xmm5
+       addps   xmm7,xmm2               ; xmm7=data2=(20 21 22 23)
+       addps   xmm5,xmm4               ; xmm5=data4=(40 41 42 43)
+       subps   xmm0,xmm2               ; xmm0=data5=(50 51 52 53)
+       subps   xmm3,xmm4               ; xmm3=data3=(30 31 32 33)
+       movaps    xmm2,xmm7             ; transpose coefficients(phase 1)
+       unpcklps  xmm7,xmm3             ; xmm7=(20 30 21 31)
+       unpckhps  xmm2,xmm3             ; xmm2=(22 32 23 33)
+       movaps    xmm4,xmm5             ; transpose coefficients(phase 1)
+       unpcklps  xmm5,xmm0             ; xmm5=(40 50 41 51)
+       unpckhps  xmm4,xmm0             ; xmm4=(42 52 43 53)
+       movaps    xmm3,xmm6             ; transpose coefficients(phase 2)
+       unpcklps2 xmm6,xmm7             ; xmm6=(00 10 20 30)
+       unpckhps2 xmm3,xmm7             ; xmm3=(01 11 21 31)
+       movaps    xmm0,xmm1             ; transpose coefficients(phase 2)
+       unpcklps2 xmm1,xmm2             ; xmm1=(02 12 22 32)
+       unpckhps2 xmm0,xmm2             ; xmm0=(03 13 23 33)
+       movaps  xmm7, XMMWORD [wk(0)]   ; xmm7=(60 70 61 71)
+       movaps  xmm2, XMMWORD [wk(1)]   ; xmm2=(62 72 63 73)
+       movaps  XMMWORD [XMMBLOCK(0,0,edi,SIZEOF_FAST_FLOAT)], xmm6
+       movaps  XMMWORD [XMMBLOCK(1,0,edi,SIZEOF_FAST_FLOAT)], xmm3
+       movaps  XMMWORD [XMMBLOCK(2,0,edi,SIZEOF_FAST_FLOAT)], xmm1
+       movaps  XMMWORD [XMMBLOCK(3,0,edi,SIZEOF_FAST_FLOAT)], xmm0
+       movaps    xmm6,xmm5             ; transpose coefficients(phase 2)
+       unpcklps2 xmm5,xmm7             ; xmm5=(40 50 60 70)
+       unpckhps2 xmm6,xmm7             ; xmm6=(41 51 61 71)
+       movaps    xmm3,xmm4             ; transpose coefficients(phase 2)
+       unpcklps2 xmm4,xmm2             ; xmm4=(42 52 62 72)
+       unpckhps2 xmm3,xmm2             ; xmm3=(43 53 63 73)
+       movaps  XMMWORD [XMMBLOCK(0,1,edi,SIZEOF_FAST_FLOAT)], xmm5
+       movaps  XMMWORD [XMMBLOCK(1,1,edi,SIZEOF_FAST_FLOAT)], xmm6
+       movaps  XMMWORD [XMMBLOCK(2,1,edi,SIZEOF_FAST_FLOAT)], xmm4
+       movaps  XMMWORD [XMMBLOCK(3,1,edi,SIZEOF_FAST_FLOAT)], xmm3
+ .nextcolumn:
+       add     esi, byte 4*SIZEOF_JCOEF                ; coef_block
+       add     edx, byte 4*SIZEOF_FLOAT_MULT_TYPE      ; quantptr
+       add     edi,      4*DCTSIZE*SIZEOF_FAST_FLOAT   ; wsptr
+       dec     ecx                                     ; ctr
+       jnz     near .columnloop
+       ; -- Prefetch the next coefficient block
+       prefetchnta [esi + (DCTSIZE2-8)*SIZEOF_JCOEF + 0*32]
+       prefetchnta [esi + (DCTSIZE2-8)*SIZEOF_JCOEF + 1*32]
+       prefetchnta [esi + (DCTSIZE2-8)*SIZEOF_JCOEF + 2*32]
+       prefetchnta [esi + (DCTSIZE2-8)*SIZEOF_JCOEF + 3*32]
+       ; ---- Pass 2: process rows from work array, store into output array.
+       mov     eax, [original_ebp]
+       lea     esi, [workspace]                        ; FAST_FLOAT * wsptr
+       mov     edi, JSAMPARRAY [output_buf(eax)]       ; (JSAMPROW *)
+       mov     eax, JDIMENSION [output_col(eax)]
+       mov     ecx, DCTSIZE/4                          ; ctr
+       alignx  16,7
+ .rowloop:
+       ; -- Even part
+       movaps  xmm0, XMMWORD [XMMBLOCK(0,0,esi,SIZEOF_FAST_FLOAT)]
+       movaps  xmm1, XMMWORD [XMMBLOCK(2,0,esi,SIZEOF_FAST_FLOAT)]
+       movaps  xmm2, XMMWORD [XMMBLOCK(4,0,esi,SIZEOF_FAST_FLOAT)]
+       movaps  xmm3, XMMWORD [XMMBLOCK(6,0,esi,SIZEOF_FAST_FLOAT)]
+       movaps  xmm4,xmm0
+       movaps  xmm5,xmm1
+       subps   xmm0,xmm2               ; xmm0=tmp11
+       subps   xmm1,xmm3
+       addps   xmm4,xmm2               ; xmm4=tmp10
+       addps   xmm5,xmm3               ; xmm5=tmp13
+       mulps   xmm1,[GOTOFF(ebx,PD_1_414)]
+       subps   xmm1,xmm5               ; xmm1=tmp12
+       movaps  xmm6,xmm4
+       movaps  xmm7,xmm0
+       subps   xmm4,xmm5               ; xmm4=tmp3
+       subps   xmm0,xmm1               ; xmm0=tmp2
+       addps   xmm6,xmm5               ; xmm6=tmp0
+       addps   xmm7,xmm1               ; xmm7=tmp1
+       movaps  XMMWORD [wk(1)], xmm4   ; tmp3
+       movaps  XMMWORD [wk(0)], xmm0   ; tmp2
+       ; -- Odd part
+       movaps  xmm2, XMMWORD [XMMBLOCK(1,0,esi,SIZEOF_FAST_FLOAT)]
+       movaps  xmm3, XMMWORD [XMMBLOCK(3,0,esi,SIZEOF_FAST_FLOAT)]
+       movaps  xmm5, XMMWORD [XMMBLOCK(5,0,esi,SIZEOF_FAST_FLOAT)]
+       movaps  xmm1, XMMWORD [XMMBLOCK(7,0,esi,SIZEOF_FAST_FLOAT)]
+       movaps  xmm4,xmm2
+       movaps  xmm0,xmm5
+       addps   xmm2,xmm1               ; xmm2=z11
+       addps   xmm5,xmm3               ; xmm5=z13
+       subps   xmm4,xmm1               ; xmm4=z12
+       subps   xmm0,xmm3               ; xmm0=z10
+       movaps  xmm1,xmm2
+       subps   xmm2,xmm5
+       addps   xmm1,xmm5               ; xmm1=tmp7
+       mulps   xmm2,[GOTOFF(ebx,PD_1_414)]     ; xmm2=tmp11
+       movaps  xmm3,xmm0
+       addps   xmm0,xmm4
+       mulps   xmm0,[GOTOFF(ebx,PD_1_847)]     ; xmm0=z5
+       mulps   xmm3,[GOTOFF(ebx,PD_M2_613)]    ; xmm3=(z10 * -2.613125930)
+       mulps   xmm4,[GOTOFF(ebx,PD_1_082)]     ; xmm4=(z12 * 1.082392200)
+       addps   xmm3,xmm0               ; xmm3=tmp12
+       subps   xmm4,xmm0               ; xmm4=tmp10
+       ; -- Final output stage
+       subps   xmm3,xmm1               ; xmm3=tmp6
+       movaps  xmm5,xmm6
+       movaps  xmm0,xmm7
+       addps   xmm6,xmm1               ; xmm6=data0=(00 10 20 30)
+       addps   xmm7,xmm3               ; xmm7=data1=(01 11 21 31)
+       subps   xmm5,xmm1               ; xmm5=data7=(07 17 27 37)
+       subps   xmm0,xmm3               ; xmm0=data6=(06 16 26 36)
+       subps   xmm2,xmm3               ; xmm2=tmp5
+       movaps  xmm1,[GOTOFF(ebx,PD_RNDINT_MAGIC)]      ; xmm1=[PD_RNDINT_MAGIC]
+       pcmpeqd xmm3,xmm3
+       psrld   xmm3,WORD_BIT           ; xmm3={0xFFFF 0x0000 0xFFFF 0x0000 ..}
+       addps   xmm6,xmm1       ; xmm6=roundint(data0/8)=(00 ** 10 ** 20 ** 30 **)
+       addps   xmm7,xmm1       ; xmm7=roundint(data1/8)=(01 ** 11 ** 21 ** 31 **)
+       addps   xmm0,xmm1       ; xmm0=roundint(data6/8)=(06 ** 16 ** 26 ** 36 **)
+       addps   xmm5,xmm1       ; xmm5=roundint(data7/8)=(07 ** 17 ** 27 ** 37 **)
+       pand    xmm6,xmm3               ; xmm6=(00 -- 10 -- 20 -- 30 --)
+       pslld   xmm7,WORD_BIT           ; xmm7=(-- 01 -- 11 -- 21 -- 31)
+       pand    xmm0,xmm3               ; xmm0=(06 -- 16 -- 26 -- 36 --)
+       pslld   xmm5,WORD_BIT           ; xmm5=(-- 07 -- 17 -- 27 -- 37)
+       por     xmm6,xmm7               ; xmm6=(00 01 10 11 20 21 30 31)
+       por     xmm0,xmm5               ; xmm0=(06 07 16 17 26 27 36 37)
+       movaps  xmm1, XMMWORD [wk(0)]   ; xmm1=tmp2
+       movaps  xmm3, XMMWORD [wk(1)]   ; xmm3=tmp3
+       addps   xmm4,xmm2               ; xmm4=tmp4
+       movaps  xmm7,xmm1
+       movaps  xmm5,xmm3
+       addps   xmm1,xmm2               ; xmm1=data2=(02 12 22 32)
+       addps   xmm3,xmm4               ; xmm3=data4=(04 14 24 34)
+       subps   xmm7,xmm2               ; xmm7=data5=(05 15 25 35)
+       subps   xmm5,xmm4               ; xmm5=data3=(03 13 23 33)
+       movaps  xmm2,[GOTOFF(ebx,PD_RNDINT_MAGIC)]      ; xmm2=[PD_RNDINT_MAGIC]
+       pcmpeqd xmm4,xmm4
+       psrld   xmm4,WORD_BIT           ; xmm4={0xFFFF 0x0000 0xFFFF 0x0000 ..}
+       addps   xmm3,xmm2       ; xmm3=roundint(data4/8)=(04 ** 14 ** 24 ** 34 **)
+       addps   xmm7,xmm2       ; xmm7=roundint(data5/8)=(05 ** 15 ** 25 ** 35 **)
+       addps   xmm1,xmm2       ; xmm1=roundint(data2/8)=(02 ** 12 ** 22 ** 32 **)
+       addps   xmm5,xmm2       ; xmm5=roundint(data3/8)=(03 ** 13 ** 23 ** 33 **)
+       pand    xmm3,xmm4               ; xmm3=(04 -- 14 -- 24 -- 34 --)
+       pslld   xmm7,WORD_BIT           ; xmm7=(-- 05 -- 15 -- 25 -- 35)
+       pand    xmm1,xmm4               ; xmm1=(02 -- 12 -- 22 -- 32 --)
+       pslld   xmm5,WORD_BIT           ; xmm5=(-- 03 -- 13 -- 23 -- 33)
+       por     xmm3,xmm7               ; xmm3=(04 05 14 15 24 25 34 35)
+       por     xmm1,xmm5               ; xmm1=(02 03 12 13 22 23 32 33)
+       movdqa    xmm2,[GOTOFF(ebx,PB_CENTERJSAMP)]     ; xmm2=[PB_CENTERJSAMP]
+       packsswb  xmm6,xmm3     ; xmm6=(00 01 10 11 20 21 30 31 04 05 14 15 24 25 34 35)
+       packsswb  xmm1,xmm0     ; xmm1=(02 03 12 13 22 23 32 33 06 07 16 17 26 27 36 37)
+       paddb     xmm6,xmm2
+       paddb     xmm1,xmm2
+       movdqa    xmm4,xmm6     ; transpose coefficients(phase 2)
+       punpcklwd xmm6,xmm1     ; xmm6=(00 01 02 03 10 11 12 13 20 21 22 23 30 31 32 33)
+       punpckhwd xmm4,xmm1     ; xmm4=(04 05 06 07 14 15 16 17 24 25 26 27 34 35 36 37)
+       movdqa    xmm7,xmm6     ; transpose coefficients(phase 3)
+       punpckldq xmm6,xmm4     ; xmm6=(00 01 02 03 04 05 06 07 10 11 12 13 14 15 16 17)
+       punpckhdq xmm7,xmm4     ; xmm7=(20 21 22 23 24 25 26 27 30 31 32 33 34 35 36 37)
+       pshufd  xmm5,xmm6,0x4E  ; xmm5=(10 11 12 13 14 15 16 17 00 01 02 03 04 05 06 07)
+       pshufd  xmm3,xmm7,0x4E  ; xmm3=(30 31 32 33 34 35 36 37 20 21 22 23 24 25 26 27)
+       pushpic ebx                     ; save GOT address
+       mov     edx, JSAMPROW [edi+0*SIZEOF_JSAMPROW]
+       mov     ebx, JSAMPROW [edi+2*SIZEOF_JSAMPROW]
 -      movq    _MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm5
 -      movq    _MMWORD [ebx+eax*SIZEOF_JSAMPLE], xmm3
++      movq    XMM_MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm6
++      movq    XMM_MMWORD [ebx+eax*SIZEOF_JSAMPLE], xmm7
+       mov     edx, JSAMPROW [edi+1*SIZEOF_JSAMPROW]
+       mov     ebx, JSAMPROW [edi+3*SIZEOF_JSAMPROW]
 -%endif ; JIDCT_FLT_SSE_SSE2_SUPPORTED
 -%endif ; DCT_FLOAT_SUPPORTED
++      movq    XMM_MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm5
++      movq    XMM_MMWORD [ebx+eax*SIZEOF_JSAMPLE], xmm3
+       poppic  ebx                     ; restore GOT address
+       add     esi, byte 4*SIZEOF_FAST_FLOAT   ; wsptr
+       add     edi, byte 4*SIZEOF_JSAMPROW
+       dec     ecx                             ; ctr
+       jnz     near .rowloop
+       pop     edi
+       pop     esi
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; need not be preserved
+       pop     ebx
+       mov     esp,ebp         ; esp <- aligned ebp
+       pop     esp             ; esp <- original ebp
+       pop     ebp
+       ret
index 0000000000000000000000000000000000000000,937a2607c0e2017f682f8cdeaba5ba6522b0114f..aafa81010ef2a3c5d3cbf02d47c629daa2fbafaf
mode 000000,100644..100644
--- /dev/null
@@@ -1,0 -1,512 +1,499 @@@
 -; Last Modified : February 4, 2006
 -;
+ ;
+ ; jiss2fst.asm - fast integer IDCT (SSE2)
+ ;
++; Copyright 2009 Pierre Ossman <ossman@cendio.se> for Cendio AB
++;
++; Based on
+ ; x86 SIMD extension for IJG JPEG library
+ ; Copyright (C) 1999-2006, MIYASAKA Masaru.
+ ; For conditions of distribution and use, see copyright notice in jsimdext.inc
+ ;
+ ; This file should be assembled with NASM (Netwide Assembler),
+ ; can *not* be assembled with Microsoft's MASM or any compatible
+ ; assembler (including Borland's Turbo Assembler).
+ ; NASM is available from http://nasm.sourceforge.net/ or
+ ; http://sourceforge.net/project/showfiles.php?group_id=6208
+ ;
+ ; This file contains a fast, not so accurate integer implementation of
+ ; the inverse DCT (Discrete Cosine Transform). The following code is
+ ; based directly on the IJG's original jidctfst.c; see the jidctfst.c
+ ; for more details.
+ ;
 -%include "jsimdext.inc"
 -%include "jdct.inc"
 -
 -%ifdef DCT_IFAST_SUPPORTED
 -%ifdef JIDCT_INT_SSE2_SUPPORTED
 -
 -; This module is specialized to the case DCTSIZE = 8.
 -;
 -%if DCTSIZE != 8
 -%error "Sorry, this code only copes with 8x8 DCTs."
 -%endif
+ ; [TAB8]
 -; jpeg_idct_ifast_sse2 (j_decompress_ptr cinfo, jpeg_component_info * compptr,
 -;                       JCOEFPTR coef_block,
++%include "simd/jsimdext.inc"
++%include "simd/jdct.inc"
+ ; --------------------------------------------------------------------------
+ %define CONST_BITS    8       ; 14 is also OK.
+ %define PASS1_BITS    2
+ %if IFAST_SCALE_BITS != PASS1_BITS
+ %error "'IFAST_SCALE_BITS' must be equal to 'PASS1_BITS'."
+ %endif
+ %if CONST_BITS == 8
+ F_1_082       equ     277             ; FIX(1.082392200)
+ F_1_414       equ     362             ; FIX(1.414213562)
+ F_1_847       equ     473             ; FIX(1.847759065)
+ F_2_613       equ     669             ; FIX(2.613125930)
+ F_1_613       equ     (F_2_613 - 256) ; FIX(2.613125930) - FIX(1)
+ %else
+ ; NASM cannot do compile-time arithmetic on floating-point constants.
+ %define       DESCALE(x,n)  (((x)+(1<<((n)-1)))>>(n))
+ F_1_082       equ     DESCALE(1162209775,30-CONST_BITS)       ; FIX(1.082392200)
+ F_1_414       equ     DESCALE(1518500249,30-CONST_BITS)       ; FIX(1.414213562)
+ F_1_847       equ     DESCALE(1984016188,30-CONST_BITS)       ; FIX(1.847759065)
+ F_2_613       equ     DESCALE(2805822602,30-CONST_BITS)       ; FIX(2.613125930)
+ F_1_613       equ     (F_2_613 - (1 << CONST_BITS))   ; FIX(2.613125930) - FIX(1)
+ %endif
+ ; --------------------------------------------------------------------------
+       SECTION SEG_CONST
+ ; PRE_MULTIPLY_SCALE_BITS <= 2 (to avoid overflow)
+ ; CONST_BITS + CONST_SHIFT + PRE_MULTIPLY_SCALE_BITS == 16 (for pmulhw)
+ %define PRE_MULTIPLY_SCALE_BITS   2
+ %define CONST_SHIFT     (16 - PRE_MULTIPLY_SCALE_BITS - CONST_BITS)
+       alignz  16
+       global  EXTN(jconst_idct_ifast_sse2)
+ EXTN(jconst_idct_ifast_sse2):
+ PW_F1414      times 8 dw  F_1_414 << CONST_SHIFT
+ PW_F1847      times 8 dw  F_1_847 << CONST_SHIFT
+ PW_MF1613     times 8 dw -F_1_613 << CONST_SHIFT
+ PW_F1082      times 8 dw  F_1_082 << CONST_SHIFT
+ PB_CENTERJSAMP        times 16 db CENTERJSAMPLE
+       alignz  16
+ ; --------------------------------------------------------------------------
+       SECTION SEG_TEXT
+       BITS    32
+ ;
+ ; Perform dequantization and inverse DCT on one block of coefficients.
+ ;
+ ; GLOBAL(void)
 -%define cinfo(b)      (b)+8           ; j_decompress_ptr cinfo
 -%define compptr(b)    (b)+12          ; jpeg_component_info * compptr
 -%define coef_block(b) (b)+16          ; JCOEFPTR coef_block
 -%define output_buf(b) (b)+20          ; JSAMPARRAY output_buf
 -%define output_col(b) (b)+24          ; JDIMENSION output_col
++; jsimd_idct_ifast_sse2 (void * dct_table, JCOEFPTR coef_block,
+ ;                       JSAMPARRAY output_buf, JDIMENSION output_col)
+ ;
 -      global  EXTN(jpeg_idct_ifast_sse2)
++%define dct_table(b)  (b)+8                   ; jpeg_component_info * compptr
++%define coef_block(b) (b)+12          ; JCOEFPTR coef_block
++%define output_buf(b) (b)+16          ; JSAMPARRAY output_buf
++%define output_col(b) (b)+20          ; JDIMENSION output_col
+ %define original_ebp  ebp+0
+ %define wk(i)         ebp-(WK_NUM-(i))*SIZEOF_XMMWORD ; xmmword wk[WK_NUM]
+ %define WK_NUM                2
+       align   16
 -EXTN(jpeg_idct_ifast_sse2):
++      global  EXTN(jsimd_idct_ifast_sse2)
 -      mov     edx, POINTER [compptr(eax)]
 -      mov     edx, POINTER [jcompinfo_dct_table(edx)] ; quantptr
++EXTN(jsimd_idct_ifast_sse2):
+       push    ebp
+       mov     eax,esp                         ; eax = original ebp
+       sub     esp, byte 4
+       and     esp, byte (-SIZEOF_XMMWORD)     ; align to 128 bits
+       mov     [esp],eax
+       mov     ebp,esp                         ; ebp = aligned ebp
+       lea     esp, [wk(0)]
+       pushpic ebx
+ ;     push    ecx             ; unused
+ ;     push    edx             ; need not be preserved
+       push    esi
+       push    edi
+       get_GOT ebx             ; get GOT address
+       ; ---- Pass 1: process columns from input.
+ ;     mov     eax, [original_ebp]
 -      movq    _MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm1
 -      movq    _MMWORD [esi+eax*SIZEOF_JSAMPLE], xmm3
++      mov     edx, POINTER [dct_table(eax)]   ; quantptr
+       mov     esi, JCOEFPTR [coef_block(eax)]         ; inptr
+ %ifndef NO_ZERO_COLUMN_TEST_IFAST_SSE2
+       mov     eax, DWORD [DWBLOCK(1,0,esi,SIZEOF_JCOEF)]
+       or      eax, DWORD [DWBLOCK(2,0,esi,SIZEOF_JCOEF)]
+       jnz     near .columnDCT
+       movdqa  xmm0, XMMWORD [XMMBLOCK(1,0,esi,SIZEOF_JCOEF)]
+       movdqa  xmm1, XMMWORD [XMMBLOCK(2,0,esi,SIZEOF_JCOEF)]
+       por     xmm0, XMMWORD [XMMBLOCK(3,0,esi,SIZEOF_JCOEF)]
+       por     xmm1, XMMWORD [XMMBLOCK(4,0,esi,SIZEOF_JCOEF)]
+       por     xmm0, XMMWORD [XMMBLOCK(5,0,esi,SIZEOF_JCOEF)]
+       por     xmm1, XMMWORD [XMMBLOCK(6,0,esi,SIZEOF_JCOEF)]
+       por     xmm0, XMMWORD [XMMBLOCK(7,0,esi,SIZEOF_JCOEF)]
+       por     xmm1,xmm0
+       packsswb xmm1,xmm1
+       packsswb xmm1,xmm1
+       movd    eax,xmm1
+       test    eax,eax
+       jnz     short .columnDCT
+       ; -- AC terms all zero
+       movdqa  xmm0, XMMWORD [XMMBLOCK(0,0,esi,SIZEOF_JCOEF)]
+       pmullw  xmm0, XMMWORD [XMMBLOCK(0,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       movdqa    xmm7,xmm0             ; xmm0=in0=(00 01 02 03 04 05 06 07)
+       punpcklwd xmm0,xmm0             ; xmm0=(00 00 01 01 02 02 03 03)
+       punpckhwd xmm7,xmm7             ; xmm7=(04 04 05 05 06 06 07 07)
+       pshufd  xmm6,xmm0,0x00          ; xmm6=col0=(00 00 00 00 00 00 00 00)
+       pshufd  xmm2,xmm0,0x55          ; xmm2=col1=(01 01 01 01 01 01 01 01)
+       pshufd  xmm5,xmm0,0xAA          ; xmm5=col2=(02 02 02 02 02 02 02 02)
+       pshufd  xmm0,xmm0,0xFF          ; xmm0=col3=(03 03 03 03 03 03 03 03)
+       pshufd  xmm1,xmm7,0x00          ; xmm1=col4=(04 04 04 04 04 04 04 04)
+       pshufd  xmm4,xmm7,0x55          ; xmm4=col5=(05 05 05 05 05 05 05 05)
+       pshufd  xmm3,xmm7,0xAA          ; xmm3=col6=(06 06 06 06 06 06 06 06)
+       pshufd  xmm7,xmm7,0xFF          ; xmm7=col7=(07 07 07 07 07 07 07 07)
+       movdqa  XMMWORD [wk(0)], xmm2   ; wk(0)=col1
+       movdqa  XMMWORD [wk(1)], xmm0   ; wk(1)=col3
+       jmp     near .column_end
+       alignx  16,7
+ %endif
+ .columnDCT:
+       ; -- Even part
+       movdqa  xmm0, XMMWORD [XMMBLOCK(0,0,esi,SIZEOF_JCOEF)]
+       movdqa  xmm1, XMMWORD [XMMBLOCK(2,0,esi,SIZEOF_JCOEF)]
+       pmullw  xmm0, XMMWORD [XMMBLOCK(0,0,edx,SIZEOF_IFAST_MULT_TYPE)]
+       pmullw  xmm1, XMMWORD [XMMBLOCK(2,0,edx,SIZEOF_IFAST_MULT_TYPE)]
+       movdqa  xmm2, XMMWORD [XMMBLOCK(4,0,esi,SIZEOF_JCOEF)]
+       movdqa  xmm3, XMMWORD [XMMBLOCK(6,0,esi,SIZEOF_JCOEF)]
+       pmullw  xmm2, XMMWORD [XMMBLOCK(4,0,edx,SIZEOF_IFAST_MULT_TYPE)]
+       pmullw  xmm3, XMMWORD [XMMBLOCK(6,0,edx,SIZEOF_IFAST_MULT_TYPE)]
+       movdqa  xmm4,xmm0
+       movdqa  xmm5,xmm1
+       psubw   xmm0,xmm2               ; xmm0=tmp11
+       psubw   xmm1,xmm3
+       paddw   xmm4,xmm2               ; xmm4=tmp10
+       paddw   xmm5,xmm3               ; xmm5=tmp13
+       psllw   xmm1,PRE_MULTIPLY_SCALE_BITS
+       pmulhw  xmm1,[GOTOFF(ebx,PW_F1414)]
+       psubw   xmm1,xmm5               ; xmm1=tmp12
+       movdqa  xmm6,xmm4
+       movdqa  xmm7,xmm0
+       psubw   xmm4,xmm5               ; xmm4=tmp3
+       psubw   xmm0,xmm1               ; xmm0=tmp2
+       paddw   xmm6,xmm5               ; xmm6=tmp0
+       paddw   xmm7,xmm1               ; xmm7=tmp1
+       movdqa  XMMWORD [wk(1)], xmm4   ; wk(1)=tmp3
+       movdqa  XMMWORD [wk(0)], xmm0   ; wk(0)=tmp2
+       ; -- Odd part
+       movdqa  xmm2, XMMWORD [XMMBLOCK(1,0,esi,SIZEOF_JCOEF)]
+       movdqa  xmm3, XMMWORD [XMMBLOCK(3,0,esi,SIZEOF_JCOEF)]
+       pmullw  xmm2, XMMWORD [XMMBLOCK(1,0,edx,SIZEOF_IFAST_MULT_TYPE)]
+       pmullw  xmm3, XMMWORD [XMMBLOCK(3,0,edx,SIZEOF_IFAST_MULT_TYPE)]
+       movdqa  xmm5, XMMWORD [XMMBLOCK(5,0,esi,SIZEOF_JCOEF)]
+       movdqa  xmm1, XMMWORD [XMMBLOCK(7,0,esi,SIZEOF_JCOEF)]
+       pmullw  xmm5, XMMWORD [XMMBLOCK(5,0,edx,SIZEOF_IFAST_MULT_TYPE)]
+       pmullw  xmm1, XMMWORD [XMMBLOCK(7,0,edx,SIZEOF_IFAST_MULT_TYPE)]
+       movdqa  xmm4,xmm2
+       movdqa  xmm0,xmm5
+       psubw   xmm2,xmm1               ; xmm2=z12
+       psubw   xmm5,xmm3               ; xmm5=z10
+       paddw   xmm4,xmm1               ; xmm4=z11
+       paddw   xmm0,xmm3               ; xmm0=z13
+       movdqa  xmm1,xmm5               ; xmm1=z10(unscaled)
+       psllw   xmm2,PRE_MULTIPLY_SCALE_BITS
+       psllw   xmm5,PRE_MULTIPLY_SCALE_BITS
+       movdqa  xmm3,xmm4
+       psubw   xmm4,xmm0
+       paddw   xmm3,xmm0               ; xmm3=tmp7
+       psllw   xmm4,PRE_MULTIPLY_SCALE_BITS
+       pmulhw  xmm4,[GOTOFF(ebx,PW_F1414)]     ; xmm4=tmp11
+       ; To avoid overflow...
+       ;
+       ; (Original)
+       ; tmp12 = -2.613125930 * z10 + z5;
+       ;
+       ; (This implementation)
+       ; tmp12 = (-1.613125930 - 1) * z10 + z5;
+       ;       = -1.613125930 * z10 - z10 + z5;
+       movdqa  xmm0,xmm5
+       paddw   xmm5,xmm2
+       pmulhw  xmm5,[GOTOFF(ebx,PW_F1847)]     ; xmm5=z5
+       pmulhw  xmm0,[GOTOFF(ebx,PW_MF1613)]
+       pmulhw  xmm2,[GOTOFF(ebx,PW_F1082)]
+       psubw   xmm0,xmm1
+       psubw   xmm2,xmm5               ; xmm2=tmp10
+       paddw   xmm0,xmm5               ; xmm0=tmp12
+       ; -- Final output stage
+       psubw   xmm0,xmm3               ; xmm0=tmp6
+       movdqa  xmm1,xmm6
+       movdqa  xmm5,xmm7
+       paddw   xmm6,xmm3               ; xmm6=data0=(00 01 02 03 04 05 06 07)
+       paddw   xmm7,xmm0               ; xmm7=data1=(10 11 12 13 14 15 16 17)
+       psubw   xmm1,xmm3               ; xmm1=data7=(70 71 72 73 74 75 76 77)
+       psubw   xmm5,xmm0               ; xmm5=data6=(60 61 62 63 64 65 66 67)
+       psubw   xmm4,xmm0               ; xmm4=tmp5
+       movdqa    xmm3,xmm6             ; transpose coefficients(phase 1)
+       punpcklwd xmm6,xmm7             ; xmm6=(00 10 01 11 02 12 03 13)
+       punpckhwd xmm3,xmm7             ; xmm3=(04 14 05 15 06 16 07 17)
+       movdqa    xmm0,xmm5             ; transpose coefficients(phase 1)
+       punpcklwd xmm5,xmm1             ; xmm5=(60 70 61 71 62 72 63 73)
+       punpckhwd xmm0,xmm1             ; xmm0=(64 74 65 75 66 76 67 77)
+       movdqa  xmm7, XMMWORD [wk(0)]   ; xmm7=tmp2
+       movdqa  xmm1, XMMWORD [wk(1)]   ; xmm1=tmp3
+       movdqa  XMMWORD [wk(0)], xmm5   ; wk(0)=(60 70 61 71 62 72 63 73)
+       movdqa  XMMWORD [wk(1)], xmm0   ; wk(1)=(64 74 65 75 66 76 67 77)
+       paddw   xmm2,xmm4               ; xmm2=tmp4
+       movdqa  xmm5,xmm7
+       movdqa  xmm0,xmm1
+       paddw   xmm7,xmm4               ; xmm7=data2=(20 21 22 23 24 25 26 27)
+       paddw   xmm1,xmm2               ; xmm1=data4=(40 41 42 43 44 45 46 47)
+       psubw   xmm5,xmm4               ; xmm5=data5=(50 51 52 53 54 55 56 57)
+       psubw   xmm0,xmm2               ; xmm0=data3=(30 31 32 33 34 35 36 37)
+       movdqa    xmm4,xmm7             ; transpose coefficients(phase 1)
+       punpcklwd xmm7,xmm0             ; xmm7=(20 30 21 31 22 32 23 33)
+       punpckhwd xmm4,xmm0             ; xmm4=(24 34 25 35 26 36 27 37)
+       movdqa    xmm2,xmm1             ; transpose coefficients(phase 1)
+       punpcklwd xmm1,xmm5             ; xmm1=(40 50 41 51 42 52 43 53)
+       punpckhwd xmm2,xmm5             ; xmm2=(44 54 45 55 46 56 47 57)
+       movdqa    xmm0,xmm3             ; transpose coefficients(phase 2)
+       punpckldq xmm3,xmm4             ; xmm3=(04 14 24 34 05 15 25 35)
+       punpckhdq xmm0,xmm4             ; xmm0=(06 16 26 36 07 17 27 37)
+       movdqa    xmm5,xmm6             ; transpose coefficients(phase 2)
+       punpckldq xmm6,xmm7             ; xmm6=(00 10 20 30 01 11 21 31)
+       punpckhdq xmm5,xmm7             ; xmm5=(02 12 22 32 03 13 23 33)
+       movdqa  xmm4, XMMWORD [wk(0)]   ; xmm4=(60 70 61 71 62 72 63 73)
+       movdqa  xmm7, XMMWORD [wk(1)]   ; xmm7=(64 74 65 75 66 76 67 77)
+       movdqa  XMMWORD [wk(0)], xmm3   ; wk(0)=(04 14 24 34 05 15 25 35)
+       movdqa  XMMWORD [wk(1)], xmm0   ; wk(1)=(06 16 26 36 07 17 27 37)
+       movdqa    xmm3,xmm1             ; transpose coefficients(phase 2)
+       punpckldq xmm1,xmm4             ; xmm1=(40 50 60 70 41 51 61 71)
+       punpckhdq xmm3,xmm4             ; xmm3=(42 52 62 72 43 53 63 73)
+       movdqa    xmm0,xmm2             ; transpose coefficients(phase 2)
+       punpckldq xmm2,xmm7             ; xmm2=(44 54 64 74 45 55 65 75)
+       punpckhdq xmm0,xmm7             ; xmm0=(46 56 66 76 47 57 67 77)
+       movdqa     xmm4,xmm6            ; transpose coefficients(phase 3)
+       punpcklqdq xmm6,xmm1            ; xmm6=col0=(00 10 20 30 40 50 60 70)
+       punpckhqdq xmm4,xmm1            ; xmm4=col1=(01 11 21 31 41 51 61 71)
+       movdqa     xmm7,xmm5            ; transpose coefficients(phase 3)
+       punpcklqdq xmm5,xmm3            ; xmm5=col2=(02 12 22 32 42 52 62 72)
+       punpckhqdq xmm7,xmm3            ; xmm7=col3=(03 13 23 33 43 53 63 73)
+       movdqa  xmm1, XMMWORD [wk(0)]   ; xmm1=(04 14 24 34 05 15 25 35)
+       movdqa  xmm3, XMMWORD [wk(1)]   ; xmm3=(06 16 26 36 07 17 27 37)
+       movdqa  XMMWORD [wk(0)], xmm4   ; wk(0)=col1
+       movdqa  XMMWORD [wk(1)], xmm7   ; wk(1)=col3
+       movdqa     xmm4,xmm1            ; transpose coefficients(phase 3)
+       punpcklqdq xmm1,xmm2            ; xmm1=col4=(04 14 24 34 44 54 64 74)
+       punpckhqdq xmm4,xmm2            ; xmm4=col5=(05 15 25 35 45 55 65 75)
+       movdqa     xmm7,xmm3            ; transpose coefficients(phase 3)
+       punpcklqdq xmm3,xmm0            ; xmm3=col6=(06 16 26 36 46 56 66 76)
+       punpckhqdq xmm7,xmm0            ; xmm7=col7=(07 17 27 37 47 57 67 77)
+ .column_end:
+       ; -- Prefetch the next coefficient block
+       prefetchnta [esi + DCTSIZE2*SIZEOF_JCOEF + 0*32]
+       prefetchnta [esi + DCTSIZE2*SIZEOF_JCOEF + 1*32]
+       prefetchnta [esi + DCTSIZE2*SIZEOF_JCOEF + 2*32]
+       prefetchnta [esi + DCTSIZE2*SIZEOF_JCOEF + 3*32]
+       ; ---- Pass 2: process rows from work array, store into output array.
+       mov     eax, [original_ebp]
+       mov     edi, JSAMPARRAY [output_buf(eax)]       ; (JSAMPROW *)
+       mov     eax, JDIMENSION [output_col(eax)]
+       ; -- Even part
+       ; xmm6=col0, xmm5=col2, xmm1=col4, xmm3=col6
+       movdqa  xmm2,xmm6
+       movdqa  xmm0,xmm5
+       psubw   xmm6,xmm1               ; xmm6=tmp11
+       psubw   xmm5,xmm3
+       paddw   xmm2,xmm1               ; xmm2=tmp10
+       paddw   xmm0,xmm3               ; xmm0=tmp13
+       psllw   xmm5,PRE_MULTIPLY_SCALE_BITS
+       pmulhw  xmm5,[GOTOFF(ebx,PW_F1414)]
+       psubw   xmm5,xmm0               ; xmm5=tmp12
+       movdqa  xmm1,xmm2
+       movdqa  xmm3,xmm6
+       psubw   xmm2,xmm0               ; xmm2=tmp3
+       psubw   xmm6,xmm5               ; xmm6=tmp2
+       paddw   xmm1,xmm0               ; xmm1=tmp0
+       paddw   xmm3,xmm5               ; xmm3=tmp1
+       movdqa  xmm0, XMMWORD [wk(0)]   ; xmm0=col1
+       movdqa  xmm5, XMMWORD [wk(1)]   ; xmm5=col3
+       movdqa  XMMWORD [wk(0)], xmm2   ; wk(0)=tmp3
+       movdqa  XMMWORD [wk(1)], xmm6   ; wk(1)=tmp2
+       ; -- Odd part
+       ; xmm0=col1, xmm5=col3, xmm4=col5, xmm7=col7
+       movdqa  xmm2,xmm0
+       movdqa  xmm6,xmm4
+       psubw   xmm0,xmm7               ; xmm0=z12
+       psubw   xmm4,xmm5               ; xmm4=z10
+       paddw   xmm2,xmm7               ; xmm2=z11
+       paddw   xmm6,xmm5               ; xmm6=z13
+       movdqa  xmm7,xmm4               ; xmm7=z10(unscaled)
+       psllw   xmm0,PRE_MULTIPLY_SCALE_BITS
+       psllw   xmm4,PRE_MULTIPLY_SCALE_BITS
+       movdqa  xmm5,xmm2
+       psubw   xmm2,xmm6
+       paddw   xmm5,xmm6               ; xmm5=tmp7
+       psllw   xmm2,PRE_MULTIPLY_SCALE_BITS
+       pmulhw  xmm2,[GOTOFF(ebx,PW_F1414)]     ; xmm2=tmp11
+       ; To avoid overflow...
+       ;
+       ; (Original)
+       ; tmp12 = -2.613125930 * z10 + z5;
+       ;
+       ; (This implementation)
+       ; tmp12 = (-1.613125930 - 1) * z10 + z5;
+       ;       = -1.613125930 * z10 - z10 + z5;
+       movdqa  xmm6,xmm4
+       paddw   xmm4,xmm0
+       pmulhw  xmm4,[GOTOFF(ebx,PW_F1847)]     ; xmm4=z5
+       pmulhw  xmm6,[GOTOFF(ebx,PW_MF1613)]
+       pmulhw  xmm0,[GOTOFF(ebx,PW_F1082)]
+       psubw   xmm6,xmm7
+       psubw   xmm0,xmm4               ; xmm0=tmp10
+       paddw   xmm6,xmm4               ; xmm6=tmp12
+       ; -- Final output stage
+       psubw   xmm6,xmm5               ; xmm6=tmp6
+       movdqa  xmm7,xmm1
+       movdqa  xmm4,xmm3
+       paddw   xmm1,xmm5               ; xmm1=data0=(00 10 20 30 40 50 60 70)
+       paddw   xmm3,xmm6               ; xmm3=data1=(01 11 21 31 41 51 61 71)
+       psraw   xmm1,(PASS1_BITS+3)     ; descale
+       psraw   xmm3,(PASS1_BITS+3)     ; descale
+       psubw   xmm7,xmm5               ; xmm7=data7=(07 17 27 37 47 57 67 77)
+       psubw   xmm4,xmm6               ; xmm4=data6=(06 16 26 36 46 56 66 76)
+       psraw   xmm7,(PASS1_BITS+3)     ; descale
+       psraw   xmm4,(PASS1_BITS+3)     ; descale
+       psubw   xmm2,xmm6               ; xmm2=tmp5
+       packsswb  xmm1,xmm4     ; xmm1=(00 10 20 30 40 50 60 70 06 16 26 36 46 56 66 76)
+       packsswb  xmm3,xmm7     ; xmm3=(01 11 21 31 41 51 61 71 07 17 27 37 47 57 67 77)
+       movdqa  xmm5, XMMWORD [wk(1)]   ; xmm5=tmp2
+       movdqa  xmm6, XMMWORD [wk(0)]   ; xmm6=tmp3
+       paddw   xmm0,xmm2               ; xmm0=tmp4
+       movdqa  xmm4,xmm5
+       movdqa  xmm7,xmm6
+       paddw   xmm5,xmm2               ; xmm5=data2=(02 12 22 32 42 52 62 72)
+       paddw   xmm6,xmm0               ; xmm6=data4=(04 14 24 34 44 54 64 74)
+       psraw   xmm5,(PASS1_BITS+3)     ; descale
+       psraw   xmm6,(PASS1_BITS+3)     ; descale
+       psubw   xmm4,xmm2               ; xmm4=data5=(05 15 25 35 45 55 65 75)
+       psubw   xmm7,xmm0               ; xmm7=data3=(03 13 23 33 43 53 63 73)
+       psraw   xmm4,(PASS1_BITS+3)     ; descale
+       psraw   xmm7,(PASS1_BITS+3)     ; descale
+       movdqa    xmm2,[GOTOFF(ebx,PB_CENTERJSAMP)]     ; xmm2=[PB_CENTERJSAMP]
+       packsswb  xmm5,xmm6     ; xmm5=(02 12 22 32 42 52 62 72 04 14 24 34 44 54 64 74)
+       packsswb  xmm7,xmm4     ; xmm7=(03 13 23 33 43 53 63 73 05 15 25 35 45 55 65 75)
+       paddb     xmm1,xmm2
+       paddb     xmm3,xmm2
+       paddb     xmm5,xmm2
+       paddb     xmm7,xmm2
+       movdqa    xmm0,xmm1     ; transpose coefficients(phase 1)
+       punpcklbw xmm1,xmm3     ; xmm1=(00 01 10 11 20 21 30 31 40 41 50 51 60 61 70 71)
+       punpckhbw xmm0,xmm3     ; xmm0=(06 07 16 17 26 27 36 37 46 47 56 57 66 67 76 77)
+       movdqa    xmm6,xmm5     ; transpose coefficients(phase 1)
+       punpcklbw xmm5,xmm7     ; xmm5=(02 03 12 13 22 23 32 33 42 43 52 53 62 63 72 73)
+       punpckhbw xmm6,xmm7     ; xmm6=(04 05 14 15 24 25 34 35 44 45 54 55 64 65 74 75)
+       movdqa    xmm4,xmm1     ; transpose coefficients(phase 2)
+       punpcklwd xmm1,xmm5     ; xmm1=(00 01 02 03 10 11 12 13 20 21 22 23 30 31 32 33)
+       punpckhwd xmm4,xmm5     ; xmm4=(40 41 42 43 50 51 52 53 60 61 62 63 70 71 72 73)
+       movdqa    xmm2,xmm6     ; transpose coefficients(phase 2)
+       punpcklwd xmm6,xmm0     ; xmm6=(04 05 06 07 14 15 16 17 24 25 26 27 34 35 36 37)
+       punpckhwd xmm2,xmm0     ; xmm2=(44 45 46 47 54 55 56 57 64 65 66 67 74 75 76 77)
+       movdqa    xmm3,xmm1     ; transpose coefficients(phase 3)
+       punpckldq xmm1,xmm6     ; xmm1=(00 01 02 03 04 05 06 07 10 11 12 13 14 15 16 17)
+       punpckhdq xmm3,xmm6     ; xmm3=(20 21 22 23 24 25 26 27 30 31 32 33 34 35 36 37)
+       movdqa    xmm7,xmm4     ; transpose coefficients(phase 3)
+       punpckldq xmm4,xmm2     ; xmm4=(40 41 42 43 44 45 46 47 50 51 52 53 54 55 56 57)
+       punpckhdq xmm7,xmm2     ; xmm7=(60 61 62 63 64 65 66 67 70 71 72 73 74 75 76 77)
+       pshufd  xmm5,xmm1,0x4E  ; xmm5=(10 11 12 13 14 15 16 17 00 01 02 03 04 05 06 07)
+       pshufd  xmm0,xmm3,0x4E  ; xmm0=(30 31 32 33 34 35 36 37 20 21 22 23 24 25 26 27)
+       pshufd  xmm6,xmm4,0x4E  ; xmm6=(50 51 52 53 54 55 56 57 40 41 42 43 44 45 46 47)
+       pshufd  xmm2,xmm7,0x4E  ; xmm2=(70 71 72 73 74 75 76 77 60 61 62 63 64 65 66 67)
+       mov     edx, JSAMPROW [edi+0*SIZEOF_JSAMPROW]
+       mov     esi, JSAMPROW [edi+2*SIZEOF_JSAMPROW]
 -      movq    _MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm4
 -      movq    _MMWORD [esi+eax*SIZEOF_JSAMPLE], xmm7
++      movq    XMM_MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm1
++      movq    XMM_MMWORD [esi+eax*SIZEOF_JSAMPLE], xmm3
+       mov     edx, JSAMPROW [edi+4*SIZEOF_JSAMPROW]
+       mov     esi, JSAMPROW [edi+6*SIZEOF_JSAMPROW]
 -      movq    _MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm5
 -      movq    _MMWORD [esi+eax*SIZEOF_JSAMPLE], xmm0
++      movq    XMM_MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm4
++      movq    XMM_MMWORD [esi+eax*SIZEOF_JSAMPLE], xmm7
+       mov     edx, JSAMPROW [edi+1*SIZEOF_JSAMPROW]
+       mov     esi, JSAMPROW [edi+3*SIZEOF_JSAMPROW]
 -      movq    _MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm6
 -      movq    _MMWORD [esi+eax*SIZEOF_JSAMPLE], xmm2
++      movq    XMM_MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm5
++      movq    XMM_MMWORD [esi+eax*SIZEOF_JSAMPLE], xmm0
+       mov     edx, JSAMPROW [edi+5*SIZEOF_JSAMPROW]
+       mov     esi, JSAMPROW [edi+7*SIZEOF_JSAMPROW]
 -%endif ; JIDCT_INT_SSE2_SUPPORTED
 -%endif ; DCT_IFAST_SUPPORTED
++      movq    XMM_MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm6
++      movq    XMM_MMWORD [esi+eax*SIZEOF_JSAMPLE], xmm2
+       pop     edi
+       pop     esi
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; unused
+       poppic  ebx
+       mov     esp,ebp         ; esp <- aligned ebp
+       pop     esp             ; esp <- original ebp
+       pop     ebp
+       ret
index 0000000000000000000000000000000000000000,b0e71091b4fbbd4bebcdfa70e932b11358fd6df2..4122c64019ea31056cefe653b1d293c9e9ed9add
mode 000000,100644..100644
--- /dev/null
@@@ -1,0 -1,869 +1,856 @@@
 -; Last Modified : February 4, 2006
 -;
+ ;
+ ; jiss2int.asm - accurate integer IDCT (SSE2)
+ ;
++; Copyright 2009 Pierre Ossman <ossman@cendio.se> for Cendio AB
++;
++; Based on
+ ; x86 SIMD extension for IJG JPEG library
+ ; Copyright (C) 1999-2006, MIYASAKA Masaru.
+ ; For conditions of distribution and use, see copyright notice in jsimdext.inc
+ ;
+ ; This file should be assembled with NASM (Netwide Assembler),
+ ; can *not* be assembled with Microsoft's MASM or any compatible
+ ; assembler (including Borland's Turbo Assembler).
+ ; NASM is available from http://nasm.sourceforge.net/ or
+ ; http://sourceforge.net/project/showfiles.php?group_id=6208
+ ;
+ ; This file contains a slow-but-accurate integer implementation of the
+ ; inverse DCT (Discrete Cosine Transform). The following code is based
+ ; directly on the IJG's original jidctint.c; see the jidctint.c for
+ ; more details.
+ ;
 -%include "jsimdext.inc"
 -%include "jdct.inc"
 -
 -%ifdef DCT_ISLOW_SUPPORTED
 -%ifdef JIDCT_INT_SSE2_SUPPORTED
 -
 -; This module is specialized to the case DCTSIZE = 8.
 -;
 -%if DCTSIZE != 8
 -%error "Sorry, this code only copes with 8x8 DCTs."
 -%endif
+ ; [TAB8]
 -; jpeg_idct_islow_sse2 (j_decompress_ptr cinfo, jpeg_component_info * compptr,
 -;                       JCOEFPTR coef_block,
 -;                       JSAMPARRAY output_buf, JDIMENSION output_col)
++%include "simd/jsimdext.inc"
++%include "simd/jdct.inc"
+ ; --------------------------------------------------------------------------
+ %define CONST_BITS    13
+ %define PASS1_BITS    2
+ %define DESCALE_P1    (CONST_BITS-PASS1_BITS)
+ %define DESCALE_P2    (CONST_BITS+PASS1_BITS+3)
+ %if CONST_BITS == 13
+ F_0_298       equ      2446           ; FIX(0.298631336)
+ F_0_390       equ      3196           ; FIX(0.390180644)
+ F_0_541       equ      4433           ; FIX(0.541196100)
+ F_0_765       equ      6270           ; FIX(0.765366865)
+ F_0_899       equ      7373           ; FIX(0.899976223)
+ F_1_175       equ      9633           ; FIX(1.175875602)
+ F_1_501       equ     12299           ; FIX(1.501321110)
+ F_1_847       equ     15137           ; FIX(1.847759065)
+ F_1_961       equ     16069           ; FIX(1.961570560)
+ F_2_053       equ     16819           ; FIX(2.053119869)
+ F_2_562       equ     20995           ; FIX(2.562915447)
+ F_3_072       equ     25172           ; FIX(3.072711026)
+ %else
+ ; NASM cannot do compile-time arithmetic on floating-point constants.
+ %define DESCALE(x,n)  (((x)+(1<<((n)-1)))>>(n))
+ F_0_298       equ     DESCALE( 320652955,30-CONST_BITS)       ; FIX(0.298631336)
+ F_0_390       equ     DESCALE( 418953276,30-CONST_BITS)       ; FIX(0.390180644)
+ F_0_541       equ     DESCALE( 581104887,30-CONST_BITS)       ; FIX(0.541196100)
+ F_0_765       equ     DESCALE( 821806413,30-CONST_BITS)       ; FIX(0.765366865)
+ F_0_899       equ     DESCALE( 966342111,30-CONST_BITS)       ; FIX(0.899976223)
+ F_1_175       equ     DESCALE(1262586813,30-CONST_BITS)       ; FIX(1.175875602)
+ F_1_501       equ     DESCALE(1612031267,30-CONST_BITS)       ; FIX(1.501321110)
+ F_1_847       equ     DESCALE(1984016188,30-CONST_BITS)       ; FIX(1.847759065)
+ F_1_961       equ     DESCALE(2106220350,30-CONST_BITS)       ; FIX(1.961570560)
+ F_2_053       equ     DESCALE(2204520673,30-CONST_BITS)       ; FIX(2.053119869)
+ F_2_562       equ     DESCALE(2751909506,30-CONST_BITS)       ; FIX(2.562915447)
+ F_3_072       equ     DESCALE(3299298341,30-CONST_BITS)       ; FIX(3.072711026)
+ %endif
+ ; --------------------------------------------------------------------------
+       SECTION SEG_CONST
+       alignz  16
+       global  EXTN(jconst_idct_islow_sse2)
+ EXTN(jconst_idct_islow_sse2):
+ PW_F130_F054  times 4 dw  (F_0_541+F_0_765), F_0_541
+ PW_F054_MF130 times 4 dw  F_0_541, (F_0_541-F_1_847)
+ PW_MF078_F117 times 4 dw  (F_1_175-F_1_961), F_1_175
+ PW_F117_F078  times 4 dw  F_1_175, (F_1_175-F_0_390)
+ PW_MF060_MF089        times 4 dw  (F_0_298-F_0_899),-F_0_899
+ PW_MF089_F060 times 4 dw -F_0_899, (F_1_501-F_0_899)
+ PW_MF050_MF256        times 4 dw  (F_2_053-F_2_562),-F_2_562
+ PW_MF256_F050 times 4 dw -F_2_562, (F_3_072-F_2_562)
+ PD_DESCALE_P1 times 4 dd  1 << (DESCALE_P1-1)
+ PD_DESCALE_P2 times 4 dd  1 << (DESCALE_P2-1)
+ PB_CENTERJSAMP        times 16 db CENTERJSAMPLE
+       alignz  16
+ ; --------------------------------------------------------------------------
+       SECTION SEG_TEXT
+       BITS    32
+ ;
+ ; Perform dequantization and inverse DCT on one block of coefficients.
+ ;
+ ; GLOBAL(void)
 -%define cinfo(b)      (b)+8           ; j_decompress_ptr cinfo
 -%define compptr(b)    (b)+12          ; jpeg_component_info * compptr
 -%define coef_block(b) (b)+16          ; JCOEFPTR coef_block
 -%define output_buf(b) (b)+20          ; JSAMPARRAY output_buf
 -%define output_col(b) (b)+24          ; JDIMENSION output_col
++; jsimd_idct_islow_sse2 (void * dct_table, JCOEFPTR coef_block,
++;                        JSAMPARRAY output_buf, JDIMENSION output_col)
+ ;
 -      global  EXTN(jpeg_idct_islow_sse2)
++%define dct_table(b)  (b)+8                   ; jpeg_component_info * compptr
++%define coef_block(b) (b)+12          ; JCOEFPTR coef_block
++%define output_buf(b) (b)+16          ; JSAMPARRAY output_buf
++%define output_col(b) (b)+20          ; JDIMENSION output_col
+ %define original_ebp  ebp+0
+ %define wk(i)         ebp-(WK_NUM-(i))*SIZEOF_XMMWORD ; xmmword wk[WK_NUM]
+ %define WK_NUM                12
+       align   16
 -EXTN(jpeg_idct_islow_sse2):
++      global  EXTN(jsimd_idct_islow_sse2)
 -      mov     edx, POINTER [compptr(eax)]
 -      mov     edx, POINTER [jcompinfo_dct_table(edx)] ; quantptr
++EXTN(jsimd_idct_islow_sse2):
+       push    ebp
+       mov     eax,esp                         ; eax = original ebp
+       sub     esp, byte 4
+       and     esp, byte (-SIZEOF_XMMWORD)     ; align to 128 bits
+       mov     [esp],eax
+       mov     ebp,esp                         ; ebp = aligned ebp
+       lea     esp, [wk(0)]
+       pushpic ebx
+ ;     push    ecx             ; unused
+ ;     push    edx             ; need not be preserved
+       push    esi
+       push    edi
+       get_GOT ebx             ; get GOT address
+       ; ---- Pass 1: process columns from input.
+ ;     mov     eax, [original_ebp]
 -      movq    _MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm7
 -      movq    _MMWORD [esi+eax*SIZEOF_JSAMPLE], xmm1
++      mov     edx, POINTER [dct_table(eax)]   ; quantptr
+       mov     esi, JCOEFPTR [coef_block(eax)]         ; inptr
+ %ifndef NO_ZERO_COLUMN_TEST_ISLOW_SSE2
+       mov     eax, DWORD [DWBLOCK(1,0,esi,SIZEOF_JCOEF)]
+       or      eax, DWORD [DWBLOCK(2,0,esi,SIZEOF_JCOEF)]
+       jnz     near .columnDCT
+       movdqa  xmm0, XMMWORD [XMMBLOCK(1,0,esi,SIZEOF_JCOEF)]
+       movdqa  xmm1, XMMWORD [XMMBLOCK(2,0,esi,SIZEOF_JCOEF)]
+       por     xmm0, XMMWORD [XMMBLOCK(3,0,esi,SIZEOF_JCOEF)]
+       por     xmm1, XMMWORD [XMMBLOCK(4,0,esi,SIZEOF_JCOEF)]
+       por     xmm0, XMMWORD [XMMBLOCK(5,0,esi,SIZEOF_JCOEF)]
+       por     xmm1, XMMWORD [XMMBLOCK(6,0,esi,SIZEOF_JCOEF)]
+       por     xmm0, XMMWORD [XMMBLOCK(7,0,esi,SIZEOF_JCOEF)]
+       por     xmm1,xmm0
+       packsswb xmm1,xmm1
+       packsswb xmm1,xmm1
+       movd    eax,xmm1
+       test    eax,eax
+       jnz     short .columnDCT
+       ; -- AC terms all zero
+       movdqa  xmm5, XMMWORD [XMMBLOCK(0,0,esi,SIZEOF_JCOEF)]
+       pmullw  xmm5, XMMWORD [XMMBLOCK(0,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       psllw   xmm5,PASS1_BITS
+       movdqa    xmm4,xmm5             ; xmm5=in0=(00 01 02 03 04 05 06 07)
+       punpcklwd xmm5,xmm5             ; xmm5=(00 00 01 01 02 02 03 03)
+       punpckhwd xmm4,xmm4             ; xmm4=(04 04 05 05 06 06 07 07)
+       pshufd  xmm7,xmm5,0x00          ; xmm7=col0=(00 00 00 00 00 00 00 00)
+       pshufd  xmm6,xmm5,0x55          ; xmm6=col1=(01 01 01 01 01 01 01 01)
+       pshufd  xmm1,xmm5,0xAA          ; xmm1=col2=(02 02 02 02 02 02 02 02)
+       pshufd  xmm5,xmm5,0xFF          ; xmm5=col3=(03 03 03 03 03 03 03 03)
+       pshufd  xmm0,xmm4,0x00          ; xmm0=col4=(04 04 04 04 04 04 04 04)
+       pshufd  xmm3,xmm4,0x55          ; xmm3=col5=(05 05 05 05 05 05 05 05)
+       pshufd  xmm2,xmm4,0xAA          ; xmm2=col6=(06 06 06 06 06 06 06 06)
+       pshufd  xmm4,xmm4,0xFF          ; xmm4=col7=(07 07 07 07 07 07 07 07)
+       movdqa  XMMWORD [wk(8)], xmm6   ; wk(8)=col1
+       movdqa  XMMWORD [wk(9)], xmm5   ; wk(9)=col3
+       movdqa  XMMWORD [wk(10)], xmm3  ; wk(10)=col5
+       movdqa  XMMWORD [wk(11)], xmm4  ; wk(11)=col7
+       jmp     near .column_end
+       alignx  16,7
+ %endif
+ .columnDCT:
+       ; -- Even part
+       movdqa  xmm0, XMMWORD [XMMBLOCK(0,0,esi,SIZEOF_JCOEF)]
+       movdqa  xmm1, XMMWORD [XMMBLOCK(2,0,esi,SIZEOF_JCOEF)]
+       pmullw  xmm0, XMMWORD [XMMBLOCK(0,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       pmullw  xmm1, XMMWORD [XMMBLOCK(2,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       movdqa  xmm2, XMMWORD [XMMBLOCK(4,0,esi,SIZEOF_JCOEF)]
+       movdqa  xmm3, XMMWORD [XMMBLOCK(6,0,esi,SIZEOF_JCOEF)]
+       pmullw  xmm2, XMMWORD [XMMBLOCK(4,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       pmullw  xmm3, XMMWORD [XMMBLOCK(6,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       ; (Original)
+       ; z1 = (z2 + z3) * 0.541196100;
+       ; tmp2 = z1 + z3 * -1.847759065;
+       ; tmp3 = z1 + z2 * 0.765366865;
+       ;
+       ; (This implementation)
+       ; tmp2 = z2 * 0.541196100 + z3 * (0.541196100 - 1.847759065);
+       ; tmp3 = z2 * (0.541196100 + 0.765366865) + z3 * 0.541196100;
+       movdqa    xmm4,xmm1             ; xmm1=in2=z2
+       movdqa    xmm5,xmm1
+       punpcklwd xmm4,xmm3             ; xmm3=in6=z3
+       punpckhwd xmm5,xmm3
+       movdqa    xmm1,xmm4
+       movdqa    xmm3,xmm5
+       pmaddwd   xmm4,[GOTOFF(ebx,PW_F130_F054)]       ; xmm4=tmp3L
+       pmaddwd   xmm5,[GOTOFF(ebx,PW_F130_F054)]       ; xmm5=tmp3H
+       pmaddwd   xmm1,[GOTOFF(ebx,PW_F054_MF130)]      ; xmm1=tmp2L
+       pmaddwd   xmm3,[GOTOFF(ebx,PW_F054_MF130)]      ; xmm3=tmp2H
+       movdqa    xmm6,xmm0
+       paddw     xmm0,xmm2             ; xmm0=in0+in4
+       psubw     xmm6,xmm2             ; xmm6=in0-in4
+       pxor      xmm7,xmm7
+       pxor      xmm2,xmm2
+       punpcklwd xmm7,xmm0             ; xmm7=tmp0L
+       punpckhwd xmm2,xmm0             ; xmm2=tmp0H
+       psrad     xmm7,(16-CONST_BITS)  ; psrad xmm7,16 & pslld xmm7,CONST_BITS
+       psrad     xmm2,(16-CONST_BITS)  ; psrad xmm2,16 & pslld xmm2,CONST_BITS
+       movdqa  xmm0,xmm7
+       paddd   xmm7,xmm4               ; xmm7=tmp10L
+       psubd   xmm0,xmm4               ; xmm0=tmp13L
+       movdqa  xmm4,xmm2
+       paddd   xmm2,xmm5               ; xmm2=tmp10H
+       psubd   xmm4,xmm5               ; xmm4=tmp13H
+       movdqa  XMMWORD [wk(0)], xmm7   ; wk(0)=tmp10L
+       movdqa  XMMWORD [wk(1)], xmm2   ; wk(1)=tmp10H
+       movdqa  XMMWORD [wk(2)], xmm0   ; wk(2)=tmp13L
+       movdqa  XMMWORD [wk(3)], xmm4   ; wk(3)=tmp13H
+       pxor      xmm5,xmm5
+       pxor      xmm7,xmm7
+       punpcklwd xmm5,xmm6             ; xmm5=tmp1L
+       punpckhwd xmm7,xmm6             ; xmm7=tmp1H
+       psrad     xmm5,(16-CONST_BITS)  ; psrad xmm5,16 & pslld xmm5,CONST_BITS
+       psrad     xmm7,(16-CONST_BITS)  ; psrad xmm7,16 & pslld xmm7,CONST_BITS
+       movdqa  xmm2,xmm5
+       paddd   xmm5,xmm1               ; xmm5=tmp11L
+       psubd   xmm2,xmm1               ; xmm2=tmp12L
+       movdqa  xmm0,xmm7
+       paddd   xmm7,xmm3               ; xmm7=tmp11H
+       psubd   xmm0,xmm3               ; xmm0=tmp12H
+       movdqa  XMMWORD [wk(4)], xmm5   ; wk(4)=tmp11L
+       movdqa  XMMWORD [wk(5)], xmm7   ; wk(5)=tmp11H
+       movdqa  XMMWORD [wk(6)], xmm2   ; wk(6)=tmp12L
+       movdqa  XMMWORD [wk(7)], xmm0   ; wk(7)=tmp12H
+       ; -- Odd part
+       movdqa  xmm4, XMMWORD [XMMBLOCK(1,0,esi,SIZEOF_JCOEF)]
+       movdqa  xmm6, XMMWORD [XMMBLOCK(3,0,esi,SIZEOF_JCOEF)]
+       pmullw  xmm4, XMMWORD [XMMBLOCK(1,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       pmullw  xmm6, XMMWORD [XMMBLOCK(3,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       movdqa  xmm1, XMMWORD [XMMBLOCK(5,0,esi,SIZEOF_JCOEF)]
+       movdqa  xmm3, XMMWORD [XMMBLOCK(7,0,esi,SIZEOF_JCOEF)]
+       pmullw  xmm1, XMMWORD [XMMBLOCK(5,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       pmullw  xmm3, XMMWORD [XMMBLOCK(7,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       movdqa  xmm5,xmm6
+       movdqa  xmm7,xmm4
+       paddw   xmm5,xmm3               ; xmm5=z3
+       paddw   xmm7,xmm1               ; xmm7=z4
+       ; (Original)
+       ; z5 = (z3 + z4) * 1.175875602;
+       ; z3 = z3 * -1.961570560;  z4 = z4 * -0.390180644;
+       ; z3 += z5;  z4 += z5;
+       ;
+       ; (This implementation)
+       ; z3 = z3 * (1.175875602 - 1.961570560) + z4 * 1.175875602;
+       ; z4 = z3 * 1.175875602 + z4 * (1.175875602 - 0.390180644);
+       movdqa    xmm2,xmm5
+       movdqa    xmm0,xmm5
+       punpcklwd xmm2,xmm7
+       punpckhwd xmm0,xmm7
+       movdqa    xmm5,xmm2
+       movdqa    xmm7,xmm0
+       pmaddwd   xmm2,[GOTOFF(ebx,PW_MF078_F117)]      ; xmm2=z3L
+       pmaddwd   xmm0,[GOTOFF(ebx,PW_MF078_F117)]      ; xmm0=z3H
+       pmaddwd   xmm5,[GOTOFF(ebx,PW_F117_F078)]       ; xmm5=z4L
+       pmaddwd   xmm7,[GOTOFF(ebx,PW_F117_F078)]       ; xmm7=z4H
+       movdqa  XMMWORD [wk(10)], xmm2  ; wk(10)=z3L
+       movdqa  XMMWORD [wk(11)], xmm0  ; wk(11)=z3H
+       ; (Original)
+       ; z1 = tmp0 + tmp3;  z2 = tmp1 + tmp2;
+       ; tmp0 = tmp0 * 0.298631336;  tmp1 = tmp1 * 2.053119869;
+       ; tmp2 = tmp2 * 3.072711026;  tmp3 = tmp3 * 1.501321110;
+       ; z1 = z1 * -0.899976223;  z2 = z2 * -2.562915447;
+       ; tmp0 += z1 + z3;  tmp1 += z2 + z4;
+       ; tmp2 += z2 + z3;  tmp3 += z1 + z4;
+       ;
+       ; (This implementation)
+       ; tmp0 = tmp0 * (0.298631336 - 0.899976223) + tmp3 * -0.899976223;
+       ; tmp1 = tmp1 * (2.053119869 - 2.562915447) + tmp2 * -2.562915447;
+       ; tmp2 = tmp1 * -2.562915447 + tmp2 * (3.072711026 - 2.562915447);
+       ; tmp3 = tmp0 * -0.899976223 + tmp3 * (1.501321110 - 0.899976223);
+       ; tmp0 += z3;  tmp1 += z4;
+       ; tmp2 += z3;  tmp3 += z4;
+       movdqa    xmm2,xmm3
+       movdqa    xmm0,xmm3
+       punpcklwd xmm2,xmm4
+       punpckhwd xmm0,xmm4
+       movdqa    xmm3,xmm2
+       movdqa    xmm4,xmm0
+       pmaddwd   xmm2,[GOTOFF(ebx,PW_MF060_MF089)]     ; xmm2=tmp0L
+       pmaddwd   xmm0,[GOTOFF(ebx,PW_MF060_MF089)]     ; xmm0=tmp0H
+       pmaddwd   xmm3,[GOTOFF(ebx,PW_MF089_F060)]      ; xmm3=tmp3L
+       pmaddwd   xmm4,[GOTOFF(ebx,PW_MF089_F060)]      ; xmm4=tmp3H
+       paddd   xmm2, XMMWORD [wk(10)]  ; xmm2=tmp0L
+       paddd   xmm0, XMMWORD [wk(11)]  ; xmm0=tmp0H
+       paddd   xmm3,xmm5               ; xmm3=tmp3L
+       paddd   xmm4,xmm7               ; xmm4=tmp3H
+       movdqa  XMMWORD [wk(8)], xmm2   ; wk(8)=tmp0L
+       movdqa  XMMWORD [wk(9)], xmm0   ; wk(9)=tmp0H
+       movdqa    xmm2,xmm1
+       movdqa    xmm0,xmm1
+       punpcklwd xmm2,xmm6
+       punpckhwd xmm0,xmm6
+       movdqa    xmm1,xmm2
+       movdqa    xmm6,xmm0
+       pmaddwd   xmm2,[GOTOFF(ebx,PW_MF050_MF256)]     ; xmm2=tmp1L
+       pmaddwd   xmm0,[GOTOFF(ebx,PW_MF050_MF256)]     ; xmm0=tmp1H
+       pmaddwd   xmm1,[GOTOFF(ebx,PW_MF256_F050)]      ; xmm1=tmp2L
+       pmaddwd   xmm6,[GOTOFF(ebx,PW_MF256_F050)]      ; xmm6=tmp2H
+       paddd   xmm2,xmm5               ; xmm2=tmp1L
+       paddd   xmm0,xmm7               ; xmm0=tmp1H
+       paddd   xmm1, XMMWORD [wk(10)]  ; xmm1=tmp2L
+       paddd   xmm6, XMMWORD [wk(11)]  ; xmm6=tmp2H
+       movdqa  XMMWORD [wk(10)], xmm2  ; wk(10)=tmp1L
+       movdqa  XMMWORD [wk(11)], xmm0  ; wk(11)=tmp1H
+       ; -- Final output stage
+       movdqa  xmm5, XMMWORD [wk(0)]   ; xmm5=tmp10L
+       movdqa  xmm7, XMMWORD [wk(1)]   ; xmm7=tmp10H
+       movdqa  xmm2,xmm5
+       movdqa  xmm0,xmm7
+       paddd   xmm5,xmm3               ; xmm5=data0L
+       paddd   xmm7,xmm4               ; xmm7=data0H
+       psubd   xmm2,xmm3               ; xmm2=data7L
+       psubd   xmm0,xmm4               ; xmm0=data7H
+       movdqa  xmm3,[GOTOFF(ebx,PD_DESCALE_P1)]        ; xmm3=[PD_DESCALE_P1]
+       paddd   xmm5,xmm3
+       paddd   xmm7,xmm3
+       psrad   xmm5,DESCALE_P1
+       psrad   xmm7,DESCALE_P1
+       paddd   xmm2,xmm3
+       paddd   xmm0,xmm3
+       psrad   xmm2,DESCALE_P1
+       psrad   xmm0,DESCALE_P1
+       packssdw  xmm5,xmm7             ; xmm5=data0=(00 01 02 03 04 05 06 07)
+       packssdw  xmm2,xmm0             ; xmm2=data7=(70 71 72 73 74 75 76 77)
+       movdqa  xmm4, XMMWORD [wk(4)]   ; xmm4=tmp11L
+       movdqa  xmm3, XMMWORD [wk(5)]   ; xmm3=tmp11H
+       movdqa  xmm7,xmm4
+       movdqa  xmm0,xmm3
+       paddd   xmm4,xmm1               ; xmm4=data1L
+       paddd   xmm3,xmm6               ; xmm3=data1H
+       psubd   xmm7,xmm1               ; xmm7=data6L
+       psubd   xmm0,xmm6               ; xmm0=data6H
+       movdqa  xmm1,[GOTOFF(ebx,PD_DESCALE_P1)]        ; xmm1=[PD_DESCALE_P1]
+       paddd   xmm4,xmm1
+       paddd   xmm3,xmm1
+       psrad   xmm4,DESCALE_P1
+       psrad   xmm3,DESCALE_P1
+       paddd   xmm7,xmm1
+       paddd   xmm0,xmm1
+       psrad   xmm7,DESCALE_P1
+       psrad   xmm0,DESCALE_P1
+       packssdw  xmm4,xmm3             ; xmm4=data1=(10 11 12 13 14 15 16 17)
+       packssdw  xmm7,xmm0             ; xmm7=data6=(60 61 62 63 64 65 66 67)
+       movdqa    xmm6,xmm5             ; transpose coefficients(phase 1)
+       punpcklwd xmm5,xmm4             ; xmm5=(00 10 01 11 02 12 03 13)
+       punpckhwd xmm6,xmm4             ; xmm6=(04 14 05 15 06 16 07 17)
+       movdqa    xmm1,xmm7             ; transpose coefficients(phase 1)
+       punpcklwd xmm7,xmm2             ; xmm7=(60 70 61 71 62 72 63 73)
+       punpckhwd xmm1,xmm2             ; xmm1=(64 74 65 75 66 76 67 77)
+       movdqa  xmm3, XMMWORD [wk(6)]   ; xmm3=tmp12L
+       movdqa  xmm0, XMMWORD [wk(7)]   ; xmm0=tmp12H
+       movdqa  xmm4, XMMWORD [wk(10)]  ; xmm4=tmp1L
+       movdqa  xmm2, XMMWORD [wk(11)]  ; xmm2=tmp1H
+       movdqa  XMMWORD [wk(0)], xmm5   ; wk(0)=(00 10 01 11 02 12 03 13)
+       movdqa  XMMWORD [wk(1)], xmm6   ; wk(1)=(04 14 05 15 06 16 07 17)
+       movdqa  XMMWORD [wk(4)], xmm7   ; wk(4)=(60 70 61 71 62 72 63 73)
+       movdqa  XMMWORD [wk(5)], xmm1   ; wk(5)=(64 74 65 75 66 76 67 77)
+       movdqa  xmm5,xmm3
+       movdqa  xmm6,xmm0
+       paddd   xmm3,xmm4               ; xmm3=data2L
+       paddd   xmm0,xmm2               ; xmm0=data2H
+       psubd   xmm5,xmm4               ; xmm5=data5L
+       psubd   xmm6,xmm2               ; xmm6=data5H
+       movdqa  xmm7,[GOTOFF(ebx,PD_DESCALE_P1)]        ; xmm7=[PD_DESCALE_P1]
+       paddd   xmm3,xmm7
+       paddd   xmm0,xmm7
+       psrad   xmm3,DESCALE_P1
+       psrad   xmm0,DESCALE_P1
+       paddd   xmm5,xmm7
+       paddd   xmm6,xmm7
+       psrad   xmm5,DESCALE_P1
+       psrad   xmm6,DESCALE_P1
+       packssdw  xmm3,xmm0             ; xmm3=data2=(20 21 22 23 24 25 26 27)
+       packssdw  xmm5,xmm6             ; xmm5=data5=(50 51 52 53 54 55 56 57)
+       movdqa  xmm1, XMMWORD [wk(2)]   ; xmm1=tmp13L
+       movdqa  xmm4, XMMWORD [wk(3)]   ; xmm4=tmp13H
+       movdqa  xmm2, XMMWORD [wk(8)]   ; xmm2=tmp0L
+       movdqa  xmm7, XMMWORD [wk(9)]   ; xmm7=tmp0H
+       movdqa  xmm0,xmm1
+       movdqa  xmm6,xmm4
+       paddd   xmm1,xmm2               ; xmm1=data3L
+       paddd   xmm4,xmm7               ; xmm4=data3H
+       psubd   xmm0,xmm2               ; xmm0=data4L
+       psubd   xmm6,xmm7               ; xmm6=data4H
+       movdqa  xmm2,[GOTOFF(ebx,PD_DESCALE_P1)]        ; xmm2=[PD_DESCALE_P1]
+       paddd   xmm1,xmm2
+       paddd   xmm4,xmm2
+       psrad   xmm1,DESCALE_P1
+       psrad   xmm4,DESCALE_P1
+       paddd   xmm0,xmm2
+       paddd   xmm6,xmm2
+       psrad   xmm0,DESCALE_P1
+       psrad   xmm6,DESCALE_P1
+       packssdw  xmm1,xmm4             ; xmm1=data3=(30 31 32 33 34 35 36 37)
+       packssdw  xmm0,xmm6             ; xmm0=data4=(40 41 42 43 44 45 46 47)
+       movdqa  xmm7, XMMWORD [wk(0)]   ; xmm7=(00 10 01 11 02 12 03 13)
+       movdqa  xmm2, XMMWORD [wk(1)]   ; xmm2=(04 14 05 15 06 16 07 17)
+       movdqa    xmm4,xmm3             ; transpose coefficients(phase 1)
+       punpcklwd xmm3,xmm1             ; xmm3=(20 30 21 31 22 32 23 33)
+       punpckhwd xmm4,xmm1             ; xmm4=(24 34 25 35 26 36 27 37)
+       movdqa    xmm6,xmm0             ; transpose coefficients(phase 1)
+       punpcklwd xmm0,xmm5             ; xmm0=(40 50 41 51 42 52 43 53)
+       punpckhwd xmm6,xmm5             ; xmm6=(44 54 45 55 46 56 47 57)
+       movdqa    xmm1,xmm7             ; transpose coefficients(phase 2)
+       punpckldq xmm7,xmm3             ; xmm7=(00 10 20 30 01 11 21 31)
+       punpckhdq xmm1,xmm3             ; xmm1=(02 12 22 32 03 13 23 33)
+       movdqa    xmm5,xmm2             ; transpose coefficients(phase 2)
+       punpckldq xmm2,xmm4             ; xmm2=(04 14 24 34 05 15 25 35)
+       punpckhdq xmm5,xmm4             ; xmm5=(06 16 26 36 07 17 27 37)
+       movdqa  xmm3, XMMWORD [wk(4)]   ; xmm3=(60 70 61 71 62 72 63 73)
+       movdqa  xmm4, XMMWORD [wk(5)]   ; xmm4=(64 74 65 75 66 76 67 77)
+       movdqa  XMMWORD [wk(6)], xmm2   ; wk(6)=(04 14 24 34 05 15 25 35)
+       movdqa  XMMWORD [wk(7)], xmm5   ; wk(7)=(06 16 26 36 07 17 27 37)
+       movdqa    xmm2,xmm0             ; transpose coefficients(phase 2)
+       punpckldq xmm0,xmm3             ; xmm0=(40 50 60 70 41 51 61 71)
+       punpckhdq xmm2,xmm3             ; xmm2=(42 52 62 72 43 53 63 73)
+       movdqa    xmm5,xmm6             ; transpose coefficients(phase 2)
+       punpckldq xmm6,xmm4             ; xmm6=(44 54 64 74 45 55 65 75)
+       punpckhdq xmm5,xmm4             ; xmm5=(46 56 66 76 47 57 67 77)
+       movdqa     xmm3,xmm7            ; transpose coefficients(phase 3)
+       punpcklqdq xmm7,xmm0            ; xmm7=col0=(00 10 20 30 40 50 60 70)
+       punpckhqdq xmm3,xmm0            ; xmm3=col1=(01 11 21 31 41 51 61 71)
+       movdqa     xmm4,xmm1            ; transpose coefficients(phase 3)
+       punpcklqdq xmm1,xmm2            ; xmm1=col2=(02 12 22 32 42 52 62 72)
+       punpckhqdq xmm4,xmm2            ; xmm4=col3=(03 13 23 33 43 53 63 73)
+       movdqa  xmm0, XMMWORD [wk(6)]   ; xmm0=(04 14 24 34 05 15 25 35)
+       movdqa  xmm2, XMMWORD [wk(7)]   ; xmm2=(06 16 26 36 07 17 27 37)
+       movdqa  XMMWORD [wk(8)], xmm3   ; wk(8)=col1
+       movdqa  XMMWORD [wk(9)], xmm4   ; wk(9)=col3
+       movdqa     xmm3,xmm0            ; transpose coefficients(phase 3)
+       punpcklqdq xmm0,xmm6            ; xmm0=col4=(04 14 24 34 44 54 64 74)
+       punpckhqdq xmm3,xmm6            ; xmm3=col5=(05 15 25 35 45 55 65 75)
+       movdqa     xmm4,xmm2            ; transpose coefficients(phase 3)
+       punpcklqdq xmm2,xmm5            ; xmm2=col6=(06 16 26 36 46 56 66 76)
+       punpckhqdq xmm4,xmm5            ; xmm4=col7=(07 17 27 37 47 57 67 77)
+       movdqa  XMMWORD [wk(10)], xmm3  ; wk(10)=col5
+       movdqa  XMMWORD [wk(11)], xmm4  ; wk(11)=col7
+ .column_end:
+       ; -- Prefetch the next coefficient block
+       prefetchnta [esi + DCTSIZE2*SIZEOF_JCOEF + 0*32]
+       prefetchnta [esi + DCTSIZE2*SIZEOF_JCOEF + 1*32]
+       prefetchnta [esi + DCTSIZE2*SIZEOF_JCOEF + 2*32]
+       prefetchnta [esi + DCTSIZE2*SIZEOF_JCOEF + 3*32]
+       ; ---- Pass 2: process rows from work array, store into output array.
+       mov     eax, [original_ebp]
+       mov     edi, JSAMPARRAY [output_buf(eax)]       ; (JSAMPROW *)
+       mov     eax, JDIMENSION [output_col(eax)]
+       ; -- Even part
+       ; xmm7=col0, xmm1=col2, xmm0=col4, xmm2=col6
+       ; (Original)
+       ; z1 = (z2 + z3) * 0.541196100;
+       ; tmp2 = z1 + z3 * -1.847759065;
+       ; tmp3 = z1 + z2 * 0.765366865;
+       ;
+       ; (This implementation)
+       ; tmp2 = z2 * 0.541196100 + z3 * (0.541196100 - 1.847759065);
+       ; tmp3 = z2 * (0.541196100 + 0.765366865) + z3 * 0.541196100;
+       movdqa    xmm6,xmm1             ; xmm1=in2=z2
+       movdqa    xmm5,xmm1
+       punpcklwd xmm6,xmm2             ; xmm2=in6=z3
+       punpckhwd xmm5,xmm2
+       movdqa    xmm1,xmm6
+       movdqa    xmm2,xmm5
+       pmaddwd   xmm6,[GOTOFF(ebx,PW_F130_F054)]       ; xmm6=tmp3L
+       pmaddwd   xmm5,[GOTOFF(ebx,PW_F130_F054)]       ; xmm5=tmp3H
+       pmaddwd   xmm1,[GOTOFF(ebx,PW_F054_MF130)]      ; xmm1=tmp2L
+       pmaddwd   xmm2,[GOTOFF(ebx,PW_F054_MF130)]      ; xmm2=tmp2H
+       movdqa    xmm3,xmm7
+       paddw     xmm7,xmm0             ; xmm7=in0+in4
+       psubw     xmm3,xmm0             ; xmm3=in0-in4
+       pxor      xmm4,xmm4
+       pxor      xmm0,xmm0
+       punpcklwd xmm4,xmm7             ; xmm4=tmp0L
+       punpckhwd xmm0,xmm7             ; xmm0=tmp0H
+       psrad     xmm4,(16-CONST_BITS)  ; psrad xmm4,16 & pslld xmm4,CONST_BITS
+       psrad     xmm0,(16-CONST_BITS)  ; psrad xmm0,16 & pslld xmm0,CONST_BITS
+       movdqa  xmm7,xmm4
+       paddd   xmm4,xmm6               ; xmm4=tmp10L
+       psubd   xmm7,xmm6               ; xmm7=tmp13L
+       movdqa  xmm6,xmm0
+       paddd   xmm0,xmm5               ; xmm0=tmp10H
+       psubd   xmm6,xmm5               ; xmm6=tmp13H
+       movdqa  XMMWORD [wk(0)], xmm4   ; wk(0)=tmp10L
+       movdqa  XMMWORD [wk(1)], xmm0   ; wk(1)=tmp10H
+       movdqa  XMMWORD [wk(2)], xmm7   ; wk(2)=tmp13L
+       movdqa  XMMWORD [wk(3)], xmm6   ; wk(3)=tmp13H
+       pxor      xmm5,xmm5
+       pxor      xmm4,xmm4
+       punpcklwd xmm5,xmm3             ; xmm5=tmp1L
+       punpckhwd xmm4,xmm3             ; xmm4=tmp1H
+       psrad     xmm5,(16-CONST_BITS)  ; psrad xmm5,16 & pslld xmm5,CONST_BITS
+       psrad     xmm4,(16-CONST_BITS)  ; psrad xmm4,16 & pslld xmm4,CONST_BITS
+       movdqa  xmm0,xmm5
+       paddd   xmm5,xmm1               ; xmm5=tmp11L
+       psubd   xmm0,xmm1               ; xmm0=tmp12L
+       movdqa  xmm7,xmm4
+       paddd   xmm4,xmm2               ; xmm4=tmp11H
+       psubd   xmm7,xmm2               ; xmm7=tmp12H
+       movdqa  XMMWORD [wk(4)], xmm5   ; wk(4)=tmp11L
+       movdqa  XMMWORD [wk(5)], xmm4   ; wk(5)=tmp11H
+       movdqa  XMMWORD [wk(6)], xmm0   ; wk(6)=tmp12L
+       movdqa  XMMWORD [wk(7)], xmm7   ; wk(7)=tmp12H
+       ; -- Odd part
+       movdqa  xmm6, XMMWORD [wk(9)]   ; xmm6=col3
+       movdqa  xmm3, XMMWORD [wk(8)]   ; xmm3=col1
+       movdqa  xmm1, XMMWORD [wk(11)]  ; xmm1=col7
+       movdqa  xmm2, XMMWORD [wk(10)]  ; xmm2=col5
+       movdqa  xmm5,xmm6
+       movdqa  xmm4,xmm3
+       paddw   xmm5,xmm1               ; xmm5=z3
+       paddw   xmm4,xmm2               ; xmm4=z4
+       ; (Original)
+       ; z5 = (z3 + z4) * 1.175875602;
+       ; z3 = z3 * -1.961570560;  z4 = z4 * -0.390180644;
+       ; z3 += z5;  z4 += z5;
+       ;
+       ; (This implementation)
+       ; z3 = z3 * (1.175875602 - 1.961570560) + z4 * 1.175875602;
+       ; z4 = z3 * 1.175875602 + z4 * (1.175875602 - 0.390180644);
+       movdqa    xmm0,xmm5
+       movdqa    xmm7,xmm5
+       punpcklwd xmm0,xmm4
+       punpckhwd xmm7,xmm4
+       movdqa    xmm5,xmm0
+       movdqa    xmm4,xmm7
+       pmaddwd   xmm0,[GOTOFF(ebx,PW_MF078_F117)]      ; xmm0=z3L
+       pmaddwd   xmm7,[GOTOFF(ebx,PW_MF078_F117)]      ; xmm7=z3H
+       pmaddwd   xmm5,[GOTOFF(ebx,PW_F117_F078)]       ; xmm5=z4L
+       pmaddwd   xmm4,[GOTOFF(ebx,PW_F117_F078)]       ; xmm4=z4H
+       movdqa  XMMWORD [wk(10)], xmm0  ; wk(10)=z3L
+       movdqa  XMMWORD [wk(11)], xmm7  ; wk(11)=z3H
+       ; (Original)
+       ; z1 = tmp0 + tmp3;  z2 = tmp1 + tmp2;
+       ; tmp0 = tmp0 * 0.298631336;  tmp1 = tmp1 * 2.053119869;
+       ; tmp2 = tmp2 * 3.072711026;  tmp3 = tmp3 * 1.501321110;
+       ; z1 = z1 * -0.899976223;  z2 = z2 * -2.562915447;
+       ; tmp0 += z1 + z3;  tmp1 += z2 + z4;
+       ; tmp2 += z2 + z3;  tmp3 += z1 + z4;
+       ;
+       ; (This implementation)
+       ; tmp0 = tmp0 * (0.298631336 - 0.899976223) + tmp3 * -0.899976223;
+       ; tmp1 = tmp1 * (2.053119869 - 2.562915447) + tmp2 * -2.562915447;
+       ; tmp2 = tmp1 * -2.562915447 + tmp2 * (3.072711026 - 2.562915447);
+       ; tmp3 = tmp0 * -0.899976223 + tmp3 * (1.501321110 - 0.899976223);
+       ; tmp0 += z3;  tmp1 += z4;
+       ; tmp2 += z3;  tmp3 += z4;
+       movdqa    xmm0,xmm1
+       movdqa    xmm7,xmm1
+       punpcklwd xmm0,xmm3
+       punpckhwd xmm7,xmm3
+       movdqa    xmm1,xmm0
+       movdqa    xmm3,xmm7
+       pmaddwd   xmm0,[GOTOFF(ebx,PW_MF060_MF089)]     ; xmm0=tmp0L
+       pmaddwd   xmm7,[GOTOFF(ebx,PW_MF060_MF089)]     ; xmm7=tmp0H
+       pmaddwd   xmm1,[GOTOFF(ebx,PW_MF089_F060)]      ; xmm1=tmp3L
+       pmaddwd   xmm3,[GOTOFF(ebx,PW_MF089_F060)]      ; xmm3=tmp3H
+       paddd   xmm0, XMMWORD [wk(10)]  ; xmm0=tmp0L
+       paddd   xmm7, XMMWORD [wk(11)]  ; xmm7=tmp0H
+       paddd   xmm1,xmm5               ; xmm1=tmp3L
+       paddd   xmm3,xmm4               ; xmm3=tmp3H
+       movdqa  XMMWORD [wk(8)], xmm0   ; wk(8)=tmp0L
+       movdqa  XMMWORD [wk(9)], xmm7   ; wk(9)=tmp0H
+       movdqa    xmm0,xmm2
+       movdqa    xmm7,xmm2
+       punpcklwd xmm0,xmm6
+       punpckhwd xmm7,xmm6
+       movdqa    xmm2,xmm0
+       movdqa    xmm6,xmm7
+       pmaddwd   xmm0,[GOTOFF(ebx,PW_MF050_MF256)]     ; xmm0=tmp1L
+       pmaddwd   xmm7,[GOTOFF(ebx,PW_MF050_MF256)]     ; xmm7=tmp1H
+       pmaddwd   xmm2,[GOTOFF(ebx,PW_MF256_F050)]      ; xmm2=tmp2L
+       pmaddwd   xmm6,[GOTOFF(ebx,PW_MF256_F050)]      ; xmm6=tmp2H
+       paddd   xmm0,xmm5               ; xmm0=tmp1L
+       paddd   xmm7,xmm4               ; xmm7=tmp1H
+       paddd   xmm2, XMMWORD [wk(10)]  ; xmm2=tmp2L
+       paddd   xmm6, XMMWORD [wk(11)]  ; xmm6=tmp2H
+       movdqa  XMMWORD [wk(10)], xmm0  ; wk(10)=tmp1L
+       movdqa  XMMWORD [wk(11)], xmm7  ; wk(11)=tmp1H
+       ; -- Final output stage
+       movdqa  xmm5, XMMWORD [wk(0)]   ; xmm5=tmp10L
+       movdqa  xmm4, XMMWORD [wk(1)]   ; xmm4=tmp10H
+       movdqa  xmm0,xmm5
+       movdqa  xmm7,xmm4
+       paddd   xmm5,xmm1               ; xmm5=data0L
+       paddd   xmm4,xmm3               ; xmm4=data0H
+       psubd   xmm0,xmm1               ; xmm0=data7L
+       psubd   xmm7,xmm3               ; xmm7=data7H
+       movdqa  xmm1,[GOTOFF(ebx,PD_DESCALE_P2)]        ; xmm1=[PD_DESCALE_P2]
+       paddd   xmm5,xmm1
+       paddd   xmm4,xmm1
+       psrad   xmm5,DESCALE_P2
+       psrad   xmm4,DESCALE_P2
+       paddd   xmm0,xmm1
+       paddd   xmm7,xmm1
+       psrad   xmm0,DESCALE_P2
+       psrad   xmm7,DESCALE_P2
+       packssdw  xmm5,xmm4             ; xmm5=data0=(00 10 20 30 40 50 60 70)
+       packssdw  xmm0,xmm7             ; xmm0=data7=(07 17 27 37 47 57 67 77)
+       movdqa  xmm3, XMMWORD [wk(4)]   ; xmm3=tmp11L
+       movdqa  xmm1, XMMWORD [wk(5)]   ; xmm1=tmp11H
+       movdqa  xmm4,xmm3
+       movdqa  xmm7,xmm1
+       paddd   xmm3,xmm2               ; xmm3=data1L
+       paddd   xmm1,xmm6               ; xmm1=data1H
+       psubd   xmm4,xmm2               ; xmm4=data6L
+       psubd   xmm7,xmm6               ; xmm7=data6H
+       movdqa  xmm2,[GOTOFF(ebx,PD_DESCALE_P2)]        ; xmm2=[PD_DESCALE_P2]
+       paddd   xmm3,xmm2
+       paddd   xmm1,xmm2
+       psrad   xmm3,DESCALE_P2
+       psrad   xmm1,DESCALE_P2
+       paddd   xmm4,xmm2
+       paddd   xmm7,xmm2
+       psrad   xmm4,DESCALE_P2
+       psrad   xmm7,DESCALE_P2
+       packssdw  xmm3,xmm1             ; xmm3=data1=(01 11 21 31 41 51 61 71)
+       packssdw  xmm4,xmm7             ; xmm4=data6=(06 16 26 36 46 56 66 76)
+       packsswb  xmm5,xmm4             ; xmm5=(00 10 20 30 40 50 60 70 06 16 26 36 46 56 66 76)
+       packsswb  xmm3,xmm0             ; xmm3=(01 11 21 31 41 51 61 71 07 17 27 37 47 57 67 77)
+       movdqa  xmm6, XMMWORD [wk(6)]   ; xmm6=tmp12L
+       movdqa  xmm2, XMMWORD [wk(7)]   ; xmm2=tmp12H
+       movdqa  xmm1, XMMWORD [wk(10)]  ; xmm1=tmp1L
+       movdqa  xmm7, XMMWORD [wk(11)]  ; xmm7=tmp1H
+       movdqa  XMMWORD [wk(0)], xmm5   ; wk(0)=(00 10 20 30 40 50 60 70 06 16 26 36 46 56 66 76)
+       movdqa  XMMWORD [wk(1)], xmm3   ; wk(1)=(01 11 21 31 41 51 61 71 07 17 27 37 47 57 67 77)
+       movdqa  xmm4,xmm6
+       movdqa  xmm0,xmm2
+       paddd   xmm6,xmm1               ; xmm6=data2L
+       paddd   xmm2,xmm7               ; xmm2=data2H
+       psubd   xmm4,xmm1               ; xmm4=data5L
+       psubd   xmm0,xmm7               ; xmm0=data5H
+       movdqa  xmm5,[GOTOFF(ebx,PD_DESCALE_P2)]        ; xmm5=[PD_DESCALE_P2]
+       paddd   xmm6,xmm5
+       paddd   xmm2,xmm5
+       psrad   xmm6,DESCALE_P2
+       psrad   xmm2,DESCALE_P2
+       paddd   xmm4,xmm5
+       paddd   xmm0,xmm5
+       psrad   xmm4,DESCALE_P2
+       psrad   xmm0,DESCALE_P2
+       packssdw  xmm6,xmm2             ; xmm6=data2=(02 12 22 32 42 52 62 72)
+       packssdw  xmm4,xmm0             ; xmm4=data5=(05 15 25 35 45 55 65 75)
+       movdqa  xmm3, XMMWORD [wk(2)]   ; xmm3=tmp13L
+       movdqa  xmm1, XMMWORD [wk(3)]   ; xmm1=tmp13H
+       movdqa  xmm7, XMMWORD [wk(8)]   ; xmm7=tmp0L
+       movdqa  xmm5, XMMWORD [wk(9)]   ; xmm5=tmp0H
+       movdqa  xmm2,xmm3
+       movdqa  xmm0,xmm1
+       paddd   xmm3,xmm7               ; xmm3=data3L
+       paddd   xmm1,xmm5               ; xmm1=data3H
+       psubd   xmm2,xmm7               ; xmm2=data4L
+       psubd   xmm0,xmm5               ; xmm0=data4H
+       movdqa  xmm7,[GOTOFF(ebx,PD_DESCALE_P2)]        ; xmm7=[PD_DESCALE_P2]
+       paddd   xmm3,xmm7
+       paddd   xmm1,xmm7
+       psrad   xmm3,DESCALE_P2
+       psrad   xmm1,DESCALE_P2
+       paddd   xmm2,xmm7
+       paddd   xmm0,xmm7
+       psrad   xmm2,DESCALE_P2
+       psrad   xmm0,DESCALE_P2
+       movdqa    xmm5,[GOTOFF(ebx,PB_CENTERJSAMP)]     ; xmm5=[PB_CENTERJSAMP]
+       packssdw  xmm3,xmm1             ; xmm3=data3=(03 13 23 33 43 53 63 73)
+       packssdw  xmm2,xmm0             ; xmm2=data4=(04 14 24 34 44 54 64 74)
+       movdqa    xmm7, XMMWORD [wk(0)] ; xmm7=(00 10 20 30 40 50 60 70 06 16 26 36 46 56 66 76)
+       movdqa    xmm1, XMMWORD [wk(1)] ; xmm1=(01 11 21 31 41 51 61 71 07 17 27 37 47 57 67 77)
+       packsswb  xmm6,xmm2             ; xmm6=(02 12 22 32 42 52 62 72 04 14 24 34 44 54 64 74)
+       packsswb  xmm3,xmm4             ; xmm3=(03 13 23 33 43 53 63 73 05 15 25 35 45 55 65 75)
+       paddb     xmm7,xmm5
+       paddb     xmm1,xmm5
+       paddb     xmm6,xmm5
+       paddb     xmm3,xmm5
+       movdqa    xmm0,xmm7     ; transpose coefficients(phase 1)
+       punpcklbw xmm7,xmm1     ; xmm7=(00 01 10 11 20 21 30 31 40 41 50 51 60 61 70 71)
+       punpckhbw xmm0,xmm1     ; xmm0=(06 07 16 17 26 27 36 37 46 47 56 57 66 67 76 77)
+       movdqa    xmm2,xmm6     ; transpose coefficients(phase 1)
+       punpcklbw xmm6,xmm3     ; xmm6=(02 03 12 13 22 23 32 33 42 43 52 53 62 63 72 73)
+       punpckhbw xmm2,xmm3     ; xmm2=(04 05 14 15 24 25 34 35 44 45 54 55 64 65 74 75)
+       movdqa    xmm4,xmm7     ; transpose coefficients(phase 2)
+       punpcklwd xmm7,xmm6     ; xmm7=(00 01 02 03 10 11 12 13 20 21 22 23 30 31 32 33)
+       punpckhwd xmm4,xmm6     ; xmm4=(40 41 42 43 50 51 52 53 60 61 62 63 70 71 72 73)
+       movdqa    xmm5,xmm2     ; transpose coefficients(phase 2)
+       punpcklwd xmm2,xmm0     ; xmm2=(04 05 06 07 14 15 16 17 24 25 26 27 34 35 36 37)
+       punpckhwd xmm5,xmm0     ; xmm5=(44 45 46 47 54 55 56 57 64 65 66 67 74 75 76 77)
+       movdqa    xmm1,xmm7     ; transpose coefficients(phase 3)
+       punpckldq xmm7,xmm2     ; xmm7=(00 01 02 03 04 05 06 07 10 11 12 13 14 15 16 17)
+       punpckhdq xmm1,xmm2     ; xmm1=(20 21 22 23 24 25 26 27 30 31 32 33 34 35 36 37)
+       movdqa    xmm3,xmm4     ; transpose coefficients(phase 3)
+       punpckldq xmm4,xmm5     ; xmm4=(40 41 42 43 44 45 46 47 50 51 52 53 54 55 56 57)
+       punpckhdq xmm3,xmm5     ; xmm3=(60 61 62 63 64 65 66 67 70 71 72 73 74 75 76 77)
+       pshufd  xmm6,xmm7,0x4E  ; xmm6=(10 11 12 13 14 15 16 17 00 01 02 03 04 05 06 07)
+       pshufd  xmm0,xmm1,0x4E  ; xmm0=(30 31 32 33 34 35 36 37 20 21 22 23 24 25 26 27)
+       pshufd  xmm2,xmm4,0x4E  ; xmm2=(50 51 52 53 54 55 56 57 40 41 42 43 44 45 46 47)
+       pshufd  xmm5,xmm3,0x4E  ; xmm5=(70 71 72 73 74 75 76 77 60 61 62 63 64 65 66 67)
+       mov     edx, JSAMPROW [edi+0*SIZEOF_JSAMPROW]
+       mov     esi, JSAMPROW [edi+2*SIZEOF_JSAMPROW]
 -      movq    _MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm4
 -      movq    _MMWORD [esi+eax*SIZEOF_JSAMPLE], xmm3
++      movq    XMM_MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm7
++      movq    XMM_MMWORD [esi+eax*SIZEOF_JSAMPLE], xmm1
+       mov     edx, JSAMPROW [edi+4*SIZEOF_JSAMPROW]
+       mov     esi, JSAMPROW [edi+6*SIZEOF_JSAMPROW]
 -      movq    _MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm6
 -      movq    _MMWORD [esi+eax*SIZEOF_JSAMPLE], xmm0
++      movq    XMM_MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm4
++      movq    XMM_MMWORD [esi+eax*SIZEOF_JSAMPLE], xmm3
+       mov     edx, JSAMPROW [edi+1*SIZEOF_JSAMPROW]
+       mov     esi, JSAMPROW [edi+3*SIZEOF_JSAMPROW]
 -      movq    _MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm2
 -      movq    _MMWORD [esi+eax*SIZEOF_JSAMPLE], xmm5
++      movq    XMM_MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm6
++      movq    XMM_MMWORD [esi+eax*SIZEOF_JSAMPLE], xmm0
+       mov     edx, JSAMPROW [edi+5*SIZEOF_JSAMPROW]
+       mov     esi, JSAMPROW [edi+7*SIZEOF_JSAMPROW]
 -%endif ; JIDCT_INT_SSE2_SUPPORTED
 -%endif ; DCT_ISLOW_SUPPORTED
++      movq    XMM_MMWORD [edx+eax*SIZEOF_JSAMPLE], xmm2
++      movq    XMM_MMWORD [esi+eax*SIZEOF_JSAMPLE], xmm5
+       pop     edi
+       pop     esi
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; unused
+       poppic  ebx
+       mov     esp,ebp         ; esp <- aligned ebp
+       pop     esp             ; esp <- original ebp
+       pop     ebp
+       ret
index 0000000000000000000000000000000000000000,53af6fe18fc7d8f8e183a30c45d9acc84eb5c677..b31346a8488bb90553e52d07f35a2baed18ce2c5
mode 000000,100644..100644
--- /dev/null
@@@ -1,0 -1,607 +1,591 @@@
 -; Last Modified : February 4, 2006
 -;
+ ;
+ ; jiss2red.asm - reduced-size IDCT (SSE2)
+ ;
++; Copyright 2009 Pierre Ossman <ossman@cendio.se> for Cendio AB
++;
++; Based on
+ ; x86 SIMD extension for IJG JPEG library
+ ; Copyright (C) 1999-2006, MIYASAKA Masaru.
+ ; For conditions of distribution and use, see copyright notice in jsimdext.inc
+ ;
+ ; This file should be assembled with NASM (Netwide Assembler),
+ ; can *not* be assembled with Microsoft's MASM or any compatible
+ ; assembler (including Borland's Turbo Assembler).
+ ; NASM is available from http://nasm.sourceforge.net/ or
+ ; http://sourceforge.net/project/showfiles.php?group_id=6208
+ ;
+ ; This file contains inverse-DCT routines that produce reduced-size
+ ; output: either 4x4 or 2x2 pixels from an 8x8 DCT block.
+ ; The following code is based directly on the IJG's original jidctred.c;
+ ; see the jidctred.c for more details.
+ ;
 -%include "jsimdext.inc"
 -%include "jdct.inc"
 -
 -%ifdef IDCT_SCALING_SUPPORTED
 -%ifdef JIDCT_INT_SSE2_SUPPORTED
 -
 -; This module is specialized to the case DCTSIZE = 8.
 -;
 -%if DCTSIZE != 8
 -%error "Sorry, this code only copes with 8x8 DCTs."
 -%endif
+ ; [TAB8]
 -; jpeg_idct_4x4_sse2 (j_decompress_ptr cinfo, jpeg_component_info * compptr,
 -;                     JCOEFPTR coef_block,
 -;                     JSAMPARRAY output_buf, JDIMENSION output_col)
++%include "simd/jsimdext.inc"
++%include "simd/jdct.inc"
+ ; --------------------------------------------------------------------------
+ %define CONST_BITS    13
+ %define PASS1_BITS    2
+ %define DESCALE_P1_4  (CONST_BITS-PASS1_BITS+1)
+ %define DESCALE_P2_4  (CONST_BITS+PASS1_BITS+3+1)
+ %define DESCALE_P1_2  (CONST_BITS-PASS1_BITS+2)
+ %define DESCALE_P2_2  (CONST_BITS+PASS1_BITS+3+2)
+ %if CONST_BITS == 13
+ F_0_211       equ      1730           ; FIX(0.211164243)
+ F_0_509       equ      4176           ; FIX(0.509795579)
+ F_0_601       equ      4926           ; FIX(0.601344887)
+ F_0_720       equ      5906           ; FIX(0.720959822)
+ F_0_765       equ      6270           ; FIX(0.765366865)
+ F_0_850       equ      6967           ; FIX(0.850430095)
+ F_0_899       equ      7373           ; FIX(0.899976223)
+ F_1_061       equ      8697           ; FIX(1.061594337)
+ F_1_272       equ     10426           ; FIX(1.272758580)
+ F_1_451       equ     11893           ; FIX(1.451774981)
+ F_1_847       equ     15137           ; FIX(1.847759065)
+ F_2_172       equ     17799           ; FIX(2.172734803)
+ F_2_562       equ     20995           ; FIX(2.562915447)
+ F_3_624       equ     29692           ; FIX(3.624509785)
+ %else
+ ; NASM cannot do compile-time arithmetic on floating-point constants.
+ %define DESCALE(x,n)  (((x)+(1<<((n)-1)))>>(n))
+ F_0_211       equ     DESCALE( 226735879,30-CONST_BITS)       ; FIX(0.211164243)
+ F_0_509       equ     DESCALE( 547388834,30-CONST_BITS)       ; FIX(0.509795579)
+ F_0_601       equ     DESCALE( 645689155,30-CONST_BITS)       ; FIX(0.601344887)
+ F_0_720       equ     DESCALE( 774124714,30-CONST_BITS)       ; FIX(0.720959822)
+ F_0_765       equ     DESCALE( 821806413,30-CONST_BITS)       ; FIX(0.765366865)
+ F_0_850       equ     DESCALE( 913142361,30-CONST_BITS)       ; FIX(0.850430095)
+ F_0_899       equ     DESCALE( 966342111,30-CONST_BITS)       ; FIX(0.899976223)
+ F_1_061       equ     DESCALE(1139878239,30-CONST_BITS)       ; FIX(1.061594337)
+ F_1_272       equ     DESCALE(1366614119,30-CONST_BITS)       ; FIX(1.272758580)
+ F_1_451       equ     DESCALE(1558831516,30-CONST_BITS)       ; FIX(1.451774981)
+ F_1_847       equ     DESCALE(1984016188,30-CONST_BITS)       ; FIX(1.847759065)
+ F_2_172       equ     DESCALE(2332956230,30-CONST_BITS)       ; FIX(2.172734803)
+ F_2_562       equ     DESCALE(2751909506,30-CONST_BITS)       ; FIX(2.562915447)
+ F_3_624       equ     DESCALE(3891787747,30-CONST_BITS)       ; FIX(3.624509785)
+ %endif
+ ; --------------------------------------------------------------------------
+       SECTION SEG_CONST
+       alignz  16
+       global  EXTN(jconst_idct_red_sse2)
+ EXTN(jconst_idct_red_sse2):
+ PW_F184_MF076 times 4 dw  F_1_847,-F_0_765
+ PW_F256_F089  times 4 dw  F_2_562, F_0_899
+ PW_F106_MF217 times 4 dw  F_1_061,-F_2_172
+ PW_MF060_MF050        times 4 dw -F_0_601,-F_0_509
+ PW_F145_MF021 times 4 dw  F_1_451,-F_0_211
+ PW_F362_MF127 times 4 dw  F_3_624,-F_1_272
+ PW_F085_MF072 times 4 dw  F_0_850,-F_0_720
+ PD_DESCALE_P1_4       times 4 dd  1 << (DESCALE_P1_4-1)
+ PD_DESCALE_P2_4       times 4 dd  1 << (DESCALE_P2_4-1)
+ PD_DESCALE_P1_2       times 4 dd  1 << (DESCALE_P1_2-1)
+ PD_DESCALE_P2_2       times 4 dd  1 << (DESCALE_P2_2-1)
+ PB_CENTERJSAMP        times 16 db CENTERJSAMPLE
+       alignz  16
+ ; --------------------------------------------------------------------------
+       SECTION SEG_TEXT
+       BITS    32
+ ;
+ ; Perform dequantization and inverse DCT on one block of coefficients,
+ ; producing a reduced-size 4x4 output block.
+ ;
+ ; GLOBAL(void)
 -%define cinfo(b)      (b)+8           ; j_decompress_ptr cinfo
 -%define compptr(b)    (b)+12          ; jpeg_component_info * compptr
 -%define coef_block(b) (b)+16          ; JCOEFPTR coef_block
 -%define output_buf(b) (b)+20          ; JSAMPARRAY output_buf
 -%define output_col(b) (b)+24          ; JDIMENSION output_col
++; jsimd_idct_4x4_sse2 (void * dct_table, JCOEFPTR coef_block,
++;                      JSAMPARRAY output_buf, JDIMENSION output_col)
+ ;
 -      global  EXTN(jpeg_idct_4x4_sse2)
++%define dct_table(b)  (b)+8                   ; void * dct_table
++%define coef_block(b) (b)+12          ; JCOEFPTR coef_block
++%define output_buf(b) (b)+16          ; JSAMPARRAY output_buf
++%define output_col(b) (b)+20          ; JDIMENSION output_col
+ %define original_ebp  ebp+0
+ %define wk(i)         ebp-(WK_NUM-(i))*SIZEOF_XMMWORD ; xmmword wk[WK_NUM]
+ %define WK_NUM                2
+       align   16
 -EXTN(jpeg_idct_4x4_sse2):
++      global  EXTN(jsimd_idct_4x4_sse2)
 -      mov     edx, POINTER [compptr(eax)]
 -      mov     edx, POINTER [jcompinfo_dct_table(edx)] ; quantptr
++EXTN(jsimd_idct_4x4_sse2):
+       push    ebp
+       mov     eax,esp                         ; eax = original ebp
+       sub     esp, byte 4
+       and     esp, byte (-SIZEOF_XMMWORD)     ; align to 128 bits
+       mov     [esp],eax
+       mov     ebp,esp                         ; ebp = aligned ebp
+       lea     esp, [wk(0)]
+       pushpic ebx
+ ;     push    ecx             ; unused
+ ;     push    edx             ; need not be preserved
+       push    esi
+       push    edi
+       get_GOT ebx             ; get GOT address
+       ; ---- Pass 1: process columns from input.
+ ;     mov     eax, [original_ebp]
 -      movd    _DWORD [edx+eax*SIZEOF_JSAMPLE], xmm4
 -      movd    _DWORD [esi+eax*SIZEOF_JSAMPLE], xmm2
++      mov     edx, POINTER [dct_table(eax)]   ; quantptr
+       mov     esi, JCOEFPTR [coef_block(eax)]         ; inptr
+ %ifndef NO_ZERO_COLUMN_TEST_4X4_SSE2
+       mov     eax, DWORD [DWBLOCK(1,0,esi,SIZEOF_JCOEF)]
+       or      eax, DWORD [DWBLOCK(2,0,esi,SIZEOF_JCOEF)]
+       jnz     short .columnDCT
+       movdqa  xmm0, XMMWORD [XMMBLOCK(1,0,esi,SIZEOF_JCOEF)]
+       movdqa  xmm1, XMMWORD [XMMBLOCK(2,0,esi,SIZEOF_JCOEF)]
+       por     xmm0, XMMWORD [XMMBLOCK(3,0,esi,SIZEOF_JCOEF)]
+       por     xmm1, XMMWORD [XMMBLOCK(5,0,esi,SIZEOF_JCOEF)]
+       por     xmm0, XMMWORD [XMMBLOCK(6,0,esi,SIZEOF_JCOEF)]
+       por     xmm1, XMMWORD [XMMBLOCK(7,0,esi,SIZEOF_JCOEF)]
+       por     xmm0,xmm1
+       packsswb xmm0,xmm0
+       packsswb xmm0,xmm0
+       movd    eax,xmm0
+       test    eax,eax
+       jnz     short .columnDCT
+       ; -- AC terms all zero
+       movdqa  xmm0, XMMWORD [XMMBLOCK(0,0,esi,SIZEOF_JCOEF)]
+       pmullw  xmm0, XMMWORD [XMMBLOCK(0,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       psllw   xmm0,PASS1_BITS
+       movdqa    xmm3,xmm0     ; xmm0=in0=(00 01 02 03 04 05 06 07)
+       punpcklwd xmm0,xmm0     ; xmm0=(00 00 01 01 02 02 03 03)
+       punpckhwd xmm3,xmm3     ; xmm3=(04 04 05 05 06 06 07 07)
+       pshufd  xmm1,xmm0,0x50  ; xmm1=[col0 col1]=(00 00 00 00 01 01 01 01)
+       pshufd  xmm0,xmm0,0xFA  ; xmm0=[col2 col3]=(02 02 02 02 03 03 03 03)
+       pshufd  xmm6,xmm3,0x50  ; xmm6=[col4 col5]=(04 04 04 04 05 05 05 05)
+       pshufd  xmm3,xmm3,0xFA  ; xmm3=[col6 col7]=(06 06 06 06 07 07 07 07)
+       jmp     near .column_end
+       alignx  16,7
+ %endif
+ .columnDCT:
+       ; -- Odd part
+       movdqa  xmm0, XMMWORD [XMMBLOCK(1,0,esi,SIZEOF_JCOEF)]
+       movdqa  xmm1, XMMWORD [XMMBLOCK(3,0,esi,SIZEOF_JCOEF)]
+       pmullw  xmm0, XMMWORD [XMMBLOCK(1,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       pmullw  xmm1, XMMWORD [XMMBLOCK(3,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       movdqa  xmm2, XMMWORD [XMMBLOCK(5,0,esi,SIZEOF_JCOEF)]
+       movdqa  xmm3, XMMWORD [XMMBLOCK(7,0,esi,SIZEOF_JCOEF)]
+       pmullw  xmm2, XMMWORD [XMMBLOCK(5,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       pmullw  xmm3, XMMWORD [XMMBLOCK(7,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       movdqa    xmm4,xmm0
+       movdqa    xmm5,xmm0
+       punpcklwd xmm4,xmm1
+       punpckhwd xmm5,xmm1
+       movdqa    xmm0,xmm4
+       movdqa    xmm1,xmm5
+       pmaddwd   xmm4,[GOTOFF(ebx,PW_F256_F089)]       ; xmm4=(tmp2L)
+       pmaddwd   xmm5,[GOTOFF(ebx,PW_F256_F089)]       ; xmm5=(tmp2H)
+       pmaddwd   xmm0,[GOTOFF(ebx,PW_F106_MF217)]      ; xmm0=(tmp0L)
+       pmaddwd   xmm1,[GOTOFF(ebx,PW_F106_MF217)]      ; xmm1=(tmp0H)
+       movdqa    xmm6,xmm2
+       movdqa    xmm7,xmm2
+       punpcklwd xmm6,xmm3
+       punpckhwd xmm7,xmm3
+       movdqa    xmm2,xmm6
+       movdqa    xmm3,xmm7
+       pmaddwd   xmm6,[GOTOFF(ebx,PW_MF060_MF050)]     ; xmm6=(tmp2L)
+       pmaddwd   xmm7,[GOTOFF(ebx,PW_MF060_MF050)]     ; xmm7=(tmp2H)
+       pmaddwd   xmm2,[GOTOFF(ebx,PW_F145_MF021)]      ; xmm2=(tmp0L)
+       pmaddwd   xmm3,[GOTOFF(ebx,PW_F145_MF021)]      ; xmm3=(tmp0H)
+       paddd   xmm6,xmm4               ; xmm6=tmp2L
+       paddd   xmm7,xmm5               ; xmm7=tmp2H
+       paddd   xmm2,xmm0               ; xmm2=tmp0L
+       paddd   xmm3,xmm1               ; xmm3=tmp0H
+       movdqa  XMMWORD [wk(0)], xmm2   ; wk(0)=tmp0L
+       movdqa  XMMWORD [wk(1)], xmm3   ; wk(1)=tmp0H
+       ; -- Even part
+       movdqa  xmm4, XMMWORD [XMMBLOCK(0,0,esi,SIZEOF_JCOEF)]
+       movdqa  xmm5, XMMWORD [XMMBLOCK(2,0,esi,SIZEOF_JCOEF)]
+       movdqa  xmm0, XMMWORD [XMMBLOCK(6,0,esi,SIZEOF_JCOEF)]
+       pmullw  xmm4, XMMWORD [XMMBLOCK(0,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       pmullw  xmm5, XMMWORD [XMMBLOCK(2,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       pmullw  xmm0, XMMWORD [XMMBLOCK(6,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       pxor      xmm1,xmm1
+       pxor      xmm2,xmm2
+       punpcklwd xmm1,xmm4             ; xmm1=tmp0L
+       punpckhwd xmm2,xmm4             ; xmm2=tmp0H
+       psrad     xmm1,(16-CONST_BITS-1) ; psrad xmm1,16 & pslld xmm1,CONST_BITS+1
+       psrad     xmm2,(16-CONST_BITS-1) ; psrad xmm2,16 & pslld xmm2,CONST_BITS+1
+       movdqa    xmm3,xmm5             ; xmm5=in2=z2
+       punpcklwd xmm5,xmm0             ; xmm0=in6=z3
+       punpckhwd xmm3,xmm0
+       pmaddwd   xmm5,[GOTOFF(ebx,PW_F184_MF076)]      ; xmm5=tmp2L
+       pmaddwd   xmm3,[GOTOFF(ebx,PW_F184_MF076)]      ; xmm3=tmp2H
+       movdqa  xmm4,xmm1
+       movdqa  xmm0,xmm2
+       paddd   xmm1,xmm5               ; xmm1=tmp10L
+       paddd   xmm2,xmm3               ; xmm2=tmp10H
+       psubd   xmm4,xmm5               ; xmm4=tmp12L
+       psubd   xmm0,xmm3               ; xmm0=tmp12H
+       ; -- Final output stage
+       movdqa  xmm5,xmm1
+       movdqa  xmm3,xmm2
+       paddd   xmm1,xmm6               ; xmm1=data0L
+       paddd   xmm2,xmm7               ; xmm2=data0H
+       psubd   xmm5,xmm6               ; xmm5=data3L
+       psubd   xmm3,xmm7               ; xmm3=data3H
+       movdqa  xmm6,[GOTOFF(ebx,PD_DESCALE_P1_4)]      ; xmm6=[PD_DESCALE_P1_4]
+       paddd   xmm1,xmm6
+       paddd   xmm2,xmm6
+       psrad   xmm1,DESCALE_P1_4
+       psrad   xmm2,DESCALE_P1_4
+       paddd   xmm5,xmm6
+       paddd   xmm3,xmm6
+       psrad   xmm5,DESCALE_P1_4
+       psrad   xmm3,DESCALE_P1_4
+       packssdw  xmm1,xmm2             ; xmm1=data0=(00 01 02 03 04 05 06 07)
+       packssdw  xmm5,xmm3             ; xmm5=data3=(30 31 32 33 34 35 36 37)
+       movdqa  xmm7, XMMWORD [wk(0)]   ; xmm7=tmp0L
+       movdqa  xmm6, XMMWORD [wk(1)]   ; xmm6=tmp0H
+       movdqa  xmm2,xmm4
+       movdqa  xmm3,xmm0
+       paddd   xmm4,xmm7               ; xmm4=data1L
+       paddd   xmm0,xmm6               ; xmm0=data1H
+       psubd   xmm2,xmm7               ; xmm2=data2L
+       psubd   xmm3,xmm6               ; xmm3=data2H
+       movdqa  xmm7,[GOTOFF(ebx,PD_DESCALE_P1_4)]      ; xmm7=[PD_DESCALE_P1_4]
+       paddd   xmm4,xmm7
+       paddd   xmm0,xmm7
+       psrad   xmm4,DESCALE_P1_4
+       psrad   xmm0,DESCALE_P1_4
+       paddd   xmm2,xmm7
+       paddd   xmm3,xmm7
+       psrad   xmm2,DESCALE_P1_4
+       psrad   xmm3,DESCALE_P1_4
+       packssdw  xmm4,xmm0             ; xmm4=data1=(10 11 12 13 14 15 16 17)
+       packssdw  xmm2,xmm3             ; xmm2=data2=(20 21 22 23 24 25 26 27)
+       movdqa    xmm6,xmm1     ; transpose coefficients(phase 1)
+       punpcklwd xmm1,xmm4     ; xmm1=(00 10 01 11 02 12 03 13)
+       punpckhwd xmm6,xmm4     ; xmm6=(04 14 05 15 06 16 07 17)
+       movdqa    xmm7,xmm2     ; transpose coefficients(phase 1)
+       punpcklwd xmm2,xmm5     ; xmm2=(20 30 21 31 22 32 23 33)
+       punpckhwd xmm7,xmm5     ; xmm7=(24 34 25 35 26 36 27 37)
+       movdqa    xmm0,xmm1     ; transpose coefficients(phase 2)
+       punpckldq xmm1,xmm2     ; xmm1=[col0 col1]=(00 10 20 30 01 11 21 31)
+       punpckhdq xmm0,xmm2     ; xmm0=[col2 col3]=(02 12 22 32 03 13 23 33)
+       movdqa    xmm3,xmm6     ; transpose coefficients(phase 2)
+       punpckldq xmm6,xmm7     ; xmm6=[col4 col5]=(04 14 24 34 05 15 25 35)
+       punpckhdq xmm3,xmm7     ; xmm3=[col6 col7]=(06 16 26 36 07 17 27 37)
+ .column_end:
+       ; -- Prefetch the next coefficient block
+       prefetchnta [esi + DCTSIZE2*SIZEOF_JCOEF + 0*32]
+       prefetchnta [esi + DCTSIZE2*SIZEOF_JCOEF + 1*32]
+       prefetchnta [esi + DCTSIZE2*SIZEOF_JCOEF + 2*32]
+       prefetchnta [esi + DCTSIZE2*SIZEOF_JCOEF + 3*32]
+       ; ---- Pass 2: process rows, store into output array.
+       mov     eax, [original_ebp]
+       mov     edi, JSAMPARRAY [output_buf(eax)]       ; (JSAMPROW *)
+       mov     eax, JDIMENSION [output_col(eax)]
+       ; -- Even part
+       pxor      xmm4,xmm4
+       punpcklwd xmm4,xmm1             ; xmm4=tmp0
+       psrad     xmm4,(16-CONST_BITS-1) ; psrad xmm4,16 & pslld xmm4,CONST_BITS+1
+       ; -- Odd part
+       punpckhwd xmm1,xmm0
+       punpckhwd xmm6,xmm3
+       movdqa    xmm5,xmm1
+       movdqa    xmm2,xmm6
+       pmaddwd   xmm1,[GOTOFF(ebx,PW_F256_F089)]       ; xmm1=(tmp2)
+       pmaddwd   xmm6,[GOTOFF(ebx,PW_MF060_MF050)]     ; xmm6=(tmp2)
+       pmaddwd   xmm5,[GOTOFF(ebx,PW_F106_MF217)]      ; xmm5=(tmp0)
+       pmaddwd   xmm2,[GOTOFF(ebx,PW_F145_MF021)]      ; xmm2=(tmp0)
+       paddd     xmm6,xmm1             ; xmm6=tmp2
+       paddd     xmm2,xmm5             ; xmm2=tmp0
+       ; -- Even part
+       punpcklwd xmm0,xmm3
+       pmaddwd   xmm0,[GOTOFF(ebx,PW_F184_MF076)]      ; xmm0=tmp2
+       movdqa    xmm7,xmm4
+       paddd     xmm4,xmm0             ; xmm4=tmp10
+       psubd     xmm7,xmm0             ; xmm7=tmp12
+       ; -- Final output stage
+       movdqa  xmm1,[GOTOFF(ebx,PD_DESCALE_P2_4)]      ; xmm1=[PD_DESCALE_P2_4]
+       movdqa  xmm5,xmm4
+       movdqa  xmm3,xmm7
+       paddd   xmm4,xmm6               ; xmm4=data0=(00 10 20 30)
+       paddd   xmm7,xmm2               ; xmm7=data1=(01 11 21 31)
+       psubd   xmm5,xmm6               ; xmm5=data3=(03 13 23 33)
+       psubd   xmm3,xmm2               ; xmm3=data2=(02 12 22 32)
+       paddd   xmm4,xmm1
+       paddd   xmm7,xmm1
+       psrad   xmm4,DESCALE_P2_4
+       psrad   xmm7,DESCALE_P2_4
+       paddd   xmm5,xmm1
+       paddd   xmm3,xmm1
+       psrad   xmm5,DESCALE_P2_4
+       psrad   xmm3,DESCALE_P2_4
+       packssdw  xmm4,xmm3             ; xmm4=(00 10 20 30 02 12 22 32)
+       packssdw  xmm7,xmm5             ; xmm7=(01 11 21 31 03 13 23 33)
+       movdqa    xmm0,xmm4             ; transpose coefficients(phase 1)
+       punpcklwd xmm4,xmm7             ; xmm4=(00 01 10 11 20 21 30 31)
+       punpckhwd xmm0,xmm7             ; xmm0=(02 03 12 13 22 23 32 33)
+       movdqa    xmm6,xmm4             ; transpose coefficients(phase 2)
+       punpckldq xmm4,xmm0             ; xmm4=(00 01 02 03 10 11 12 13)
+       punpckhdq xmm6,xmm0             ; xmm6=(20 21 22 23 30 31 32 33)
+       packsswb  xmm4,xmm6             ; xmm4=(00 01 02 03 10 11 12 13 20 ..)
+       paddb     xmm4,[GOTOFF(ebx,PB_CENTERJSAMP)]
+       pshufd    xmm2,xmm4,0x39        ; xmm2=(10 11 12 13 20 21 22 23 30 ..)
+       pshufd    xmm1,xmm4,0x4E        ; xmm1=(20 21 22 23 30 31 32 33 00 ..)
+       pshufd    xmm3,xmm4,0x93        ; xmm3=(30 31 32 33 00 01 02 03 10 ..)
+       mov     edx, JSAMPROW [edi+0*SIZEOF_JSAMPROW]
+       mov     esi, JSAMPROW [edi+1*SIZEOF_JSAMPROW]
 -      movd    _DWORD [edx+eax*SIZEOF_JSAMPLE], xmm1
 -      movd    _DWORD [esi+eax*SIZEOF_JSAMPLE], xmm3
++      movd    XMM_DWORD [edx+eax*SIZEOF_JSAMPLE], xmm4
++      movd    XMM_DWORD [esi+eax*SIZEOF_JSAMPLE], xmm2
+       mov     edx, JSAMPROW [edi+2*SIZEOF_JSAMPROW]
+       mov     esi, JSAMPROW [edi+3*SIZEOF_JSAMPROW]
 -; jpeg_idct_2x2_sse2 (j_decompress_ptr cinfo, jpeg_component_info * compptr,
 -;                     JCOEFPTR coef_block,
 -;                     JSAMPARRAY output_buf, JDIMENSION output_col)
++      movd    XMM_DWORD [edx+eax*SIZEOF_JSAMPLE], xmm1
++      movd    XMM_DWORD [esi+eax*SIZEOF_JSAMPLE], xmm3
+       pop     edi
+       pop     esi
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; unused
+       poppic  ebx
+       mov     esp,ebp         ; esp <- aligned ebp
+       pop     esp             ; esp <- original ebp
+       pop     ebp
+       ret
+ ; --------------------------------------------------------------------------
+ ;
+ ; Perform dequantization and inverse DCT on one block of coefficients,
+ ; producing a reduced-size 2x2 output block.
+ ;
+ ; GLOBAL(void)
 -%define cinfo(b)      (b)+8           ; j_decompress_ptr cinfo
 -%define compptr(b)    (b)+12          ; jpeg_component_info * compptr
 -%define coef_block(b) (b)+16          ; JCOEFPTR coef_block
 -%define output_buf(b) (b)+20          ; JSAMPARRAY output_buf
 -%define output_col(b) (b)+24          ; JDIMENSION output_col
++; jsimd_idct_2x2_sse2 (void * dct_table, JCOEFPTR coef_block,
++;                      JSAMPARRAY output_buf, JDIMENSION output_col)
+ ;
 -      global  EXTN(jpeg_idct_2x2_sse2)
++%define dct_table(b)  (b)+8                   ; void * dct_table
++%define coef_block(b) (b)+12          ; JCOEFPTR coef_block
++%define output_buf(b) (b)+16          ; JSAMPARRAY output_buf
++%define output_col(b) (b)+20          ; JDIMENSION output_col
+       align   16
 -EXTN(jpeg_idct_2x2_sse2):
++      global  EXTN(jsimd_idct_2x2_sse2)
 -      mov     edx, POINTER [compptr(ebp)]
 -      mov     edx, POINTER [jcompinfo_dct_table(edx)] ; quantptr
++EXTN(jsimd_idct_2x2_sse2):
+       push    ebp
+       mov     ebp,esp
+       push    ebx
+ ;     push    ecx             ; need not be preserved
+ ;     push    edx             ; need not be preserved
+       push    esi
+       push    edi
+       get_GOT ebx             ; get GOT address
+       ; ---- Pass 1: process columns from input.
 -%endif ; JIDCT_INT_SSE2_SUPPORTED
 -%endif ; IDCT_SCALING_SUPPORTED
++      mov     edx, POINTER [dct_table(ebp)]   ; quantptr
+       mov     esi, JCOEFPTR [coef_block(ebp)]         ; inptr
+       ; | input:                  | result:        |
+       ; | 00 01 ** 03 ** 05 ** 07 |                |
+       ; | 10 11 ** 13 ** 15 ** 17 |                |
+       ; | ** ** ** ** ** ** ** ** |                |
+       ; | 30 31 ** 33 ** 35 ** 37 | A0 A1 A3 A5 A7 |
+       ; | ** ** ** ** ** ** ** ** | B0 B1 B3 B5 B7 |
+       ; | 50 51 ** 53 ** 55 ** 57 |                |
+       ; | ** ** ** ** ** ** ** ** |                |
+       ; | 70 71 ** 73 ** 75 ** 77 |                |
+       ; -- Odd part
+       movdqa  xmm0, XMMWORD [XMMBLOCK(1,0,esi,SIZEOF_JCOEF)]
+       movdqa  xmm1, XMMWORD [XMMBLOCK(3,0,esi,SIZEOF_JCOEF)]
+       pmullw  xmm0, XMMWORD [XMMBLOCK(1,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       pmullw  xmm1, XMMWORD [XMMBLOCK(3,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       movdqa  xmm2, XMMWORD [XMMBLOCK(5,0,esi,SIZEOF_JCOEF)]
+       movdqa  xmm3, XMMWORD [XMMBLOCK(7,0,esi,SIZEOF_JCOEF)]
+       pmullw  xmm2, XMMWORD [XMMBLOCK(5,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       pmullw  xmm3, XMMWORD [XMMBLOCK(7,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       ; xmm0=(10 11 ** 13 ** 15 ** 17), xmm1=(30 31 ** 33 ** 35 ** 37)
+       ; xmm2=(50 51 ** 53 ** 55 ** 57), xmm3=(70 71 ** 73 ** 75 ** 77)
+       pcmpeqd   xmm7,xmm7
+       pslld     xmm7,WORD_BIT         ; xmm7={0x0000 0xFFFF 0x0000 0xFFFF ..}
+       movdqa    xmm4,xmm0             ; xmm4=(10 11 ** 13 ** 15 ** 17)
+       movdqa    xmm5,xmm2             ; xmm5=(50 51 ** 53 ** 55 ** 57)
+       punpcklwd xmm4,xmm1             ; xmm4=(10 30 11 31 ** ** 13 33)
+       punpcklwd xmm5,xmm3             ; xmm5=(50 70 51 71 ** ** 53 73)
+       pmaddwd   xmm4,[GOTOFF(ebx,PW_F362_MF127)]
+       pmaddwd   xmm5,[GOTOFF(ebx,PW_F085_MF072)]
+       psrld   xmm0,WORD_BIT           ; xmm0=(11 -- 13 -- 15 -- 17 --)
+       pand    xmm1,xmm7               ; xmm1=(-- 31 -- 33 -- 35 -- 37)
+       psrld   xmm2,WORD_BIT           ; xmm2=(51 -- 53 -- 55 -- 57 --)
+       pand    xmm3,xmm7               ; xmm3=(-- 71 -- 73 -- 75 -- 77)
+       por     xmm0,xmm1               ; xmm0=(11 31 13 33 15 35 17 37)
+       por     xmm2,xmm3               ; xmm2=(51 71 53 73 55 75 57 77)
+       pmaddwd xmm0,[GOTOFF(ebx,PW_F362_MF127)]
+       pmaddwd xmm2,[GOTOFF(ebx,PW_F085_MF072)]
+       paddd   xmm4,xmm5               ; xmm4=tmp0[col0 col1 **** col3]
+       paddd   xmm0,xmm2               ; xmm0=tmp0[col1 col3 col5 col7]
+       ; -- Even part
+       movdqa  xmm6, XMMWORD [XMMBLOCK(0,0,esi,SIZEOF_JCOEF)]
+       pmullw  xmm6, XMMWORD [XMMBLOCK(0,0,edx,SIZEOF_ISLOW_MULT_TYPE)]
+       ; xmm6=(00 01 ** 03 ** 05 ** 07)
+       movdqa  xmm1,xmm6               ; xmm1=(00 01 ** 03 ** 05 ** 07)
+       pslld   xmm6,WORD_BIT           ; xmm6=(-- 00 -- ** -- ** -- **)
+       pand    xmm1,xmm7               ; xmm1=(-- 01 -- 03 -- 05 -- 07)
+       psrad   xmm6,(WORD_BIT-CONST_BITS-2) ; xmm6=tmp10[col0 **** **** ****]
+       psrad   xmm1,(WORD_BIT-CONST_BITS-2) ; xmm1=tmp10[col1 col3 col5 col7]
+       ; -- Final output stage
+       movdqa  xmm3,xmm6
+       movdqa  xmm5,xmm1
+       paddd   xmm6,xmm4       ; xmm6=data0[col0 **** **** ****]=(A0 ** ** **)
+       paddd   xmm1,xmm0       ; xmm1=data0[col1 col3 col5 col7]=(A1 A3 A5 A7)
+       psubd   xmm3,xmm4       ; xmm3=data1[col0 **** **** ****]=(B0 ** ** **)
+       psubd   xmm5,xmm0       ; xmm5=data1[col1 col3 col5 col7]=(B1 B3 B5 B7)
+       movdqa  xmm2,[GOTOFF(ebx,PD_DESCALE_P1_2)]      ; xmm2=[PD_DESCALE_P1_2]
+       punpckldq  xmm6,xmm3            ; xmm6=(A0 B0 ** **)
+       movdqa     xmm7,xmm1
+       punpcklqdq xmm1,xmm5            ; xmm1=(A1 A3 B1 B3)
+       punpckhqdq xmm7,xmm5            ; xmm7=(A5 A7 B5 B7)
+       paddd   xmm6,xmm2
+       psrad   xmm6,DESCALE_P1_2
+       paddd   xmm1,xmm2
+       paddd   xmm7,xmm2
+       psrad   xmm1,DESCALE_P1_2
+       psrad   xmm7,DESCALE_P1_2
+       ; -- Prefetch the next coefficient block
+       prefetchnta [esi + DCTSIZE2*SIZEOF_JCOEF + 0*32]
+       prefetchnta [esi + DCTSIZE2*SIZEOF_JCOEF + 1*32]
+       prefetchnta [esi + DCTSIZE2*SIZEOF_JCOEF + 2*32]
+       prefetchnta [esi + DCTSIZE2*SIZEOF_JCOEF + 3*32]
+       ; ---- Pass 2: process rows, store into output array.
+       mov     edi, JSAMPARRAY [output_buf(ebp)]       ; (JSAMPROW *)
+       mov     eax, JDIMENSION [output_col(ebp)]
+       ; | input:| result:|
+       ; | A0 B0 |        |
+       ; | A1 B1 | C0 C1  |
+       ; | A3 B3 | D0 D1  |
+       ; | A5 B5 |        |
+       ; | A7 B7 |        |
+       ; -- Odd part
+       packssdw  xmm1,xmm1             ; xmm1=(A1 A3 B1 B3 A1 A3 B1 B3)
+       packssdw  xmm7,xmm7             ; xmm7=(A5 A7 B5 B7 A5 A7 B5 B7)
+       pmaddwd   xmm1,[GOTOFF(ebx,PW_F362_MF127)]
+       pmaddwd   xmm7,[GOTOFF(ebx,PW_F085_MF072)]
+       paddd     xmm1,xmm7             ; xmm1=tmp0[row0 row1 row0 row1]
+       ; -- Even part
+       pslld     xmm6,(CONST_BITS+2)   ; xmm6=tmp10[row0 row1 **** ****]
+       ; -- Final output stage
+       movdqa    xmm4,xmm6
+       paddd     xmm6,xmm1     ; xmm6=data0[row0 row1 **** ****]=(C0 C1 ** **)
+       psubd     xmm4,xmm1     ; xmm4=data1[row0 row1 **** ****]=(D0 D1 ** **)
+       punpckldq xmm6,xmm4     ; xmm6=(C0 D0 C1 D1)
+       paddd     xmm6,[GOTOFF(ebx,PD_DESCALE_P2_2)]
+       psrad     xmm6,DESCALE_P2_2
+       packssdw  xmm6,xmm6             ; xmm6=(C0 D0 C1 D1 C0 D0 C1 D1)
+       packsswb  xmm6,xmm6             ; xmm6=(C0 D0 C1 D1 C0 D0 C1 D1 ..)
+       paddb     xmm6,[GOTOFF(ebx,PB_CENTERJSAMP)]
+       pextrw  ebx,xmm6,0x00           ; ebx=(C0 D0 -- --)
+       pextrw  ecx,xmm6,0x01           ; ecx=(C1 D1 -- --)
+       mov     edx, JSAMPROW [edi+0*SIZEOF_JSAMPROW]
+       mov     esi, JSAMPROW [edi+1*SIZEOF_JSAMPROW]
+       mov     WORD [edx+eax*SIZEOF_JSAMPLE], bx
+       mov     WORD [esi+eax*SIZEOF_JSAMPLE], cx
+       pop     edi
+       pop     esi
+ ;     pop     edx             ; need not be preserved
+ ;     pop     ecx             ; need not be preserved
+       pop     ebx
+       pop     ebp
+       ret
diff --cc simd/jsimd.h
index 98bcebc1e7b05d215934e86ff65c42f9fbd0a8a4,0000000000000000000000000000000000000000..371586e64a56def86d4a6ae31f1e7e6c98e4fcda
mode 100644,000000..100644
--- /dev/null
@@@ -1,162 -1,0 +1,285 @@@
 +/*
 + * simd/jsimd.h
 + *
 + * Copyright 2009 Pierre Ossman <ossman@cendio.se> for Cendio AB
 + * 
 + * Based on the x86 SIMD extension for IJG JPEG library,
 + * Copyright (C) 1999-2006, MIYASAKA Masaru.
 + *
 + */
 +
 +/* Bitmask for supported acceleration methods */
 +
 +#define JSIMD_NONE    0x00
 +#define JSIMD_MMX     0x01
 +#define JSIMD_3DNOW   0x02
 +#define JSIMD_SSE     0x04
++#define JSIMD_SSE2    0x08
 +
 +/* Short forms of external names for systems with brain-damaged linkers. */
 +
 +#ifdef NEED_SHORT_EXTERNAL_NAMES
 +#define jpeg_simd_cpu_support                 jSiCpuSupport
 +#define jsimd_rgb_ycc_convert_mmx             jSRGBYCCM
 +#define jsimd_ycc_rgb_convert_mmx             jSYCCRGBM
++#define jconst_rgb_ycc_convert_sse2           jSCRGBYCCS2
++#define jsimd_rgb_ycc_convert_sse2            jSRGBYCCS2
++#define jconst_ycc_rgb_convert_sse2           jSCYCCRGBS2
++#define jsimd_ycc_rgb_convert_sse2            jSYCCRGBS2
 +#define jsimd_h2v2_downsample_mmx             jSDnH2V2M
 +#define jsimd_h2v1_downsample_mmx             jSDnH2V1M
++#define jsimd_h2v2_downsample_sse2            jSDnH2V2S2
++#define jsimd_h2v1_downsample_sse2            jSDnH2V1S2
 +#define jsimd_h2v2_upsample_mmx               jSUpH2V2M
 +#define jsimd_h2v1_upsample_mmx               jSUpH2V1M
 +#define jsimd_h2v2_fancy_upsample_mmx         jSFUpH2V2M
 +#define jsimd_h2v1_fancy_upsample_mmx         jSFUpH2V1M
 +#define jsimd_h2v2_merged_upsample_mmx        jSMUpH2V2M
 +#define jsimd_h2v1_merged_upsample_mmx        jSMUpH2V1M
++#define jsimd_h2v2_upsample_sse2              jSUpH2V2S2
++#define jsimd_h2v1_upsample_sse2              jSUpH2V1S2
++#define jconst_fancy_upsample_sse2            jSCFUpS2
++#define jsimd_h2v2_fancy_upsample_sse2        jSFUpH2V2S2
++#define jsimd_h2v1_fancy_upsample_sse2        jSFUpH2V1S2
++#define jconst_merged_upsample_sse2           jSCMUpS2
++#define jsimd_h2v2_merged_upsample_sse2       jSMUpH2V2S2
++#define jsimd_h2v1_merged_upsample_sse2       jSMUpH2V1S2
 +#define jsimd_convsamp_mmx                    jSConvM
++#define jsimd_convsamp_sse2                   jSConvS2
 +#define jsimd_convsamp_float_3dnow            jSConvF3D
 +#define jsimd_convsamp_float_sse              jSConvFS
++#define jsimd_convsamp_float_sse2             jSConvFS2
 +#define jsimd_fdct_islow_mmx                  jSFDMIS
 +#define jsimd_fdct_ifast_mmx                  jSFDMIF
++#define jconst_fdct_islow_sse2                jSCFDS2IS
++#define jsimd_fdct_islow_sse2                 jSFDS2IS
++#define jconst_fdct_ifast_sse2                jSCFDS2IF
++#define jsimd_fdct_ifast_sse2                 jSFDS2IF
 +#define jsimd_fdct_float_3dnow                jSFD3DF
 +#define jconst_fdct_float_sse                 jSCFDSF
 +#define jsimd_fdct_float_sse                  jSFDSF
 +#define jsimd_quantize_mmx                    jSQuantM
++#define jsimd_quantize_sse2                   jSQuantS2
 +#define jsimd_quantize_float_3dnow            jSQuantF3D
 +#define jsimd_quantize_float_sse              jSQuantFS
++#define jsimd_quantize_float_sse2             jSQuantFS2
 +#define jsimd_idct_2x2_mmx                    jSIDM22
 +#define jsimd_idct_4x4_mmx                    jSIDM44
++#define jconst_idct_red_sse2                  jSCIDS2R
++#define jsimd_idct_2x2_sse2                   jSIDS222
++#define jsimd_idct_4x4_sse2                   jSIDS244
 +#define jsimd_idct_islow_mmx                  jSIDMIS
 +#define jsimd_idct_ifast_mmx                  jSIDMIF
++#define jconst_idct_islow_sse2                jSCIDS2IS
++#define jsimd_idct_islow_sse2                 jSIDS2IS
++#define jconst_idct_ifast_sse2                jSCIDS2IF
++#define jsimd_idct_ifast_sse2                 jSIDS2IF
 +#define jsimd_idct_float_3dnow                jSID3DF
 +#define jconst_fdct_float_sse                 jSCIDSF
 +#define jsimd_idct_float_sse                  jSIDSF
++#define jconst_fdct_float_sse2                jSCIDS2F
++#define jsimd_idct_float_sse2                 jSIDS2F
 +#endif /* NEED_SHORT_EXTERNAL_NAMES */
 +
 +/* SIMD Ext: retrieve SIMD/CPU information */
 +EXTERN(unsigned int) jpeg_simd_cpu_support JPP((void));
 +
 +/* SIMD Color Space Conversion */
 +EXTERN(void) jsimd_rgb_ycc_convert_mmx
 +        JPP((JDIMENSION img_width,
 +             JSAMPARRAY input_buf, JSAMPIMAGE output_buf,
 +             JDIMENSION output_row, int num_rows));
 +EXTERN(void) jsimd_ycc_rgb_convert_mmx
 +        JPP((JDIMENSION out_width,
 +             JSAMPIMAGE input_buf, JDIMENSION input_row,
 +             JSAMPARRAY output_buf, int num_rows));
 +
++extern const int jconst_rgb_ycc_convert_sse2[];
++EXTERN(void) jsimd_rgb_ycc_convert_sse2
++        JPP((JDIMENSION img_width,
++             JSAMPARRAY input_buf, JSAMPIMAGE output_buf,
++             JDIMENSION output_row, int num_rows));
++extern const int jconst_ycc_rgb_convert_sse2[];
++EXTERN(void) jsimd_ycc_rgb_convert_sse2
++        JPP((JDIMENSION out_width,
++             JSAMPIMAGE input_buf, JDIMENSION input_row,
++             JSAMPARRAY output_buf, int num_rows));
++
 +/* SIMD Downsample */
 +EXTERN(void) jsimd_h2v2_downsample_mmx
 +        JPP((JDIMENSION image_width, int max_v_samp_factor,
 +             JDIMENSION v_samp_factor, JDIMENSION width_blocks,
 +             JSAMPARRAY input_data, JSAMPARRAY output_data));
 +EXTERN(void) jsimd_h2v1_downsample_mmx
 +        JPP((JDIMENSION image_width, int max_v_samp_factor,
 +             JDIMENSION v_samp_factor, JDIMENSION width_blocks,
 +             JSAMPARRAY input_data, JSAMPARRAY output_data));
 +
++EXTERN(void) jsimd_h2v2_downsample_sse2
++        JPP((JDIMENSION image_width, int max_v_samp_factor,
++             JDIMENSION v_samp_factor, JDIMENSION width_blocks,
++             JSAMPARRAY input_data, JSAMPARRAY output_data));
++EXTERN(void) jsimd_h2v1_downsample_sse2
++        JPP((JDIMENSION image_width, int max_v_samp_factor,
++             JDIMENSION v_samp_factor, JDIMENSION width_blocks,
++             JSAMPARRAY input_data, JSAMPARRAY output_data));
++
 +/* SIMD Upsample */
 +EXTERN(void) jsimd_h2v2_upsample_mmx
 +        JPP((int max_v_samp_factor, JDIMENSION output_width,
 +             JSAMPARRAY input_data, JSAMPARRAY * output_data_ptr));
 +EXTERN(void) jsimd_h2v1_upsample_mmx
 +        JPP((int max_v_samp_factor, JDIMENSION output_width,
 +             JSAMPARRAY input_data, JSAMPARRAY * output_data_ptr));
 +
 +EXTERN(void) jsimd_h2v2_fancy_upsample_mmx
 +        JPP((int max_v_samp_factor, JDIMENSION downsampled_width,
 +             JSAMPARRAY input_data, JSAMPARRAY * output_data_ptr));
 +EXTERN(void) jsimd_h2v1_fancy_upsample_mmx
 +        JPP((int max_v_samp_factor, JDIMENSION downsampled_width,
 +             JSAMPARRAY input_data, JSAMPARRAY * output_data_ptr));
 +
 +EXTERN(void) jsimd_h2v2_merged_upsample_mmx
 +        JPP((JDIMENSION output_width, JSAMPIMAGE input_buf,
 +             JDIMENSION in_row_group_ctr, JSAMPARRAY output_buf));
 +EXTERN(void) jsimd_h2v1_merged_upsample_mmx
 +        JPP((JDIMENSION output_width, JSAMPIMAGE input_buf,
 +             JDIMENSION in_row_group_ctr, JSAMPARRAY output_buf));
 +
++EXTERN(void) jsimd_h2v2_upsample_sse2
++        JPP((int max_v_samp_factor, JDIMENSION output_width,
++             JSAMPARRAY input_data, JSAMPARRAY * output_data_ptr));
++EXTERN(void) jsimd_h2v1_upsample_sse2
++        JPP((int max_v_samp_factor, JDIMENSION output_width,
++             JSAMPARRAY input_data, JSAMPARRAY * output_data_ptr));
++
++extern const int jconst_fancy_upsample_sse2[];
++EXTERN(void) jsimd_h2v2_fancy_upsample_sse2
++        JPP((int max_v_samp_factor, JDIMENSION downsampled_width,
++             JSAMPARRAY input_data, JSAMPARRAY * output_data_ptr));
++EXTERN(void) jsimd_h2v1_fancy_upsample_sse2
++        JPP((int max_v_samp_factor, JDIMENSION downsampled_width,
++             JSAMPARRAY input_data, JSAMPARRAY * output_data_ptr));
++
++extern const int jconst_merged_upsample_sse2[];
++EXTERN(void) jsimd_h2v2_merged_upsample_sse2
++        JPP((JDIMENSION output_width, JSAMPIMAGE input_buf,
++             JDIMENSION in_row_group_ctr, JSAMPARRAY output_buf));
++EXTERN(void) jsimd_h2v1_merged_upsample_sse2
++        JPP((JDIMENSION output_width, JSAMPIMAGE input_buf,
++             JDIMENSION in_row_group_ctr, JSAMPARRAY output_buf));
++
 +/* SIMD Sample Conversion */
 +EXTERN(void) jsimd_convsamp_mmx JPP((JSAMPARRAY sample_data,
 +                                     JDIMENSION start_col,
 +                                     DCTELEM * workspace));
 +
++EXTERN(void) jsimd_convsamp_sse2 JPP((JSAMPARRAY sample_data,
++                                      JDIMENSION start_col,
++                                      DCTELEM * workspace));
++
 +EXTERN(void) jsimd_convsamp_float_3dnow JPP((JSAMPARRAY sample_data,
 +                                             JDIMENSION start_col,
 +                                             FAST_FLOAT * workspace));
 +
 +EXTERN(void) jsimd_convsamp_float_sse JPP((JSAMPARRAY sample_data,
 +                                           JDIMENSION start_col,
 +                                           FAST_FLOAT * workspace));
 +
++EXTERN(void) jsimd_convsamp_float_sse2 JPP((JSAMPARRAY sample_data,
++                                            JDIMENSION start_col,
++                                            FAST_FLOAT * workspace));
++
 +/* SIMD Forward DCT */
 +EXTERN(void) jsimd_fdct_islow_mmx JPP((DCTELEM * data));
 +EXTERN(void) jsimd_fdct_ifast_mmx JPP((DCTELEM * data));
 +
++extern const int jconst_fdct_ifast_sse2[];
++EXTERN(void) jsimd_fdct_islow_sse2 JPP((DCTELEM * data));
++extern const int jconst_fdct_islow_sse2[];
++EXTERN(void) jsimd_fdct_ifast_sse2 JPP((DCTELEM * data));
++
 +EXTERN(void) jsimd_fdct_float_3dnow JPP((FAST_FLOAT * data));
 +
 +extern const int jconst_fdct_float_sse[];
 +EXTERN(void) jsimd_fdct_float_sse JPP((FAST_FLOAT * data));
 +
 +/* SIMD Quantization */
 +EXTERN(void) jsimd_quantize_mmx JPP((JCOEFPTR coef_block,
 +                                     DCTELEM * divisors,
 +                                     DCTELEM * workspace));
 +
++EXTERN(void) jsimd_quantize_sse2 JPP((JCOEFPTR coef_block,
++                                      DCTELEM * divisors,
++                                      DCTELEM * workspace));
++
 +EXTERN(void) jsimd_quantize_float_3dnow JPP((JCOEFPTR coef_block,
 +                                             FAST_FLOAT * divisors,
 +                                             FAST_FLOAT * workspace));
 +
 +EXTERN(void) jsimd_quantize_float_sse JPP((JCOEFPTR coef_block,
 +                                           FAST_FLOAT * divisors,
 +                                           FAST_FLOAT * workspace));
 +
++EXTERN(void) jsimd_quantize_float_sse2 JPP((JCOEFPTR coef_block,
++                                            FAST_FLOAT * divisors,
++                                            FAST_FLOAT * workspace));
++
 +/* SIMD Reduced Inverse DCT */
 +EXTERN(void) jsimd_idct_2x2_mmx JPP((void * dct_table,
 +                                     JCOEFPTR coef_block,
 +                                     JSAMPARRAY output_buf,
 +                                     JDIMENSION output_col));
 +EXTERN(void) jsimd_idct_4x4_mmx JPP((void * dct_table,
 +                                     JCOEFPTR coef_block,
 +                                     JSAMPARRAY output_buf,
 +                                     JDIMENSION output_col));
 +
++extern const int jconst_idct_red_sse2[];
++EXTERN(void) jsimd_idct_2x2_sse2 JPP((void * dct_table,
++                                      JCOEFPTR coef_block,
++                                      JSAMPARRAY output_buf,
++                                      JDIMENSION output_col));
++EXTERN(void) jsimd_idct_4x4_sse2 JPP((void * dct_table,
++                                      JCOEFPTR coef_block,
++                                      JSAMPARRAY output_buf,
++                                      JDIMENSION output_col));
++
 +/* SIMD Inverse DCT */
 +EXTERN(void) jsimd_idct_islow_mmx JPP((void * dct_table,
 +                                       JCOEFPTR coef_block,
 +                                       JSAMPARRAY output_buf,
 +                                       JDIMENSION output_col));
 +EXTERN(void) jsimd_idct_ifast_mmx JPP((void * dct_table,
 +                                       JCOEFPTR coef_block,
 +                                       JSAMPARRAY output_buf,
 +                                       JDIMENSION output_col));
 +
++extern const int jconst_idct_islow_sse2[];
++EXTERN(void) jsimd_idct_islow_sse2 JPP((void * dct_table,
++                                        JCOEFPTR coef_block,
++                                        JSAMPARRAY output_buf,
++                                        JDIMENSION output_col));
++extern const int jconst_idct_ifast_sse2[];
++EXTERN(void) jsimd_idct_ifast_sse2 JPP((void * dct_table,
++                                        JCOEFPTR coef_block,
++                                        JSAMPARRAY output_buf,
++                                        JDIMENSION output_col));
++
 +EXTERN(void) jsimd_idct_float_3dnow JPP((void * dct_table,
 +                                         JCOEFPTR coef_block,
 +                                         JSAMPARRAY output_buf,
 +                                         JDIMENSION output_col));
 +
 +extern const int jconst_idct_float_sse[];
 +EXTERN(void) jsimd_idct_float_sse JPP((void * dct_table,
 +                                       JCOEFPTR coef_block,
 +                                       JSAMPARRAY output_buf,
 +                                       JDIMENSION output_col));
 +
++extern const int jconst_idct_float_sse2[];
++EXTERN(void) jsimd_idct_float_sse2 JPP((void * dct_table,
++                                        JCOEFPTR coef_block,
++                                        JSAMPARRAY output_buf,
++                                        JDIMENSION output_col));
++
index 2779565fb6357b2cd76ebb2222bc6e591c7a4c2c,0000000000000000000000000000000000000000..4876038bc8c57515d2d1e33801b7ef88f2643f49
mode 100644,000000..100644
--- /dev/null
@@@ -1,136 -1,0 +1,168 @@@
 +// This file generates the include file for the assembly
 +// implementations by abusing the C preprocessor.
 +//
 +// Note: Some things are manually defined as they need to
 +// be mapped to NASM types.
 +
 +;
 +; Automatically generated include file from jsimdcfg.inc.h
 +;
 +
 +#define JPEG_INTERNALS
 +
 +#include "../jpeglib.h"
 +#include "../jconfig.h"
 +#include "../jmorecfg.h"
 +#include "jsimd.h"
 +
 +#define define(var) %define _cpp_protection_##var
 +#define definev(var) %define _cpp_protection_##var var
 +
 +;
 +; -- jpeglib.h
 +;
 +
 +definev(DCTSIZE)
 +definev(DCTSIZE2)
 +
 +;
 +; -- jmorecfg.h
 +;
 +
 +definev(RGB_RED)
 +definev(RGB_GREEN)
 +definev(RGB_BLUE)
 +
 +definev(RGB_PIXELSIZE)
 +
 +; Representation of a single sample (pixel element value).
 +; On this SIMD implementation, this must be 'unsigned char'.
 +;
 +
 +%define JSAMPLE                 byte          ; unsigned char
 +%define SIZEOF_JSAMPLE          SIZEOF_BYTE   ; sizeof(JSAMPLE)
 +
 +definev(CENTERJSAMPLE)
 +
 +; Representation of a DCT frequency coefficient.
 +; On this SIMD implementation, this must be 'short'.
 +;
 +%define JCOEF                   word          ; short
 +%define SIZEOF_JCOEF            SIZEOF_WORD   ; sizeof(JCOEF)
 +
 +; Datatype used for image dimensions.
 +; On this SIMD implementation, this must be 'unsigned int'.
 +;
 +%define JDIMENSION              dword         ; unsigned int
 +%define SIZEOF_JDIMENSION       SIZEOF_DWORD  ; sizeof(JDIMENSION)
 +
 +%define JSAMPROW                POINTER       ; JSAMPLE FAR * (jpeglib.h)
 +%define JSAMPARRAY              POINTER       ; JSAMPROW *    (jpeglib.h)
 +%define JSAMPIMAGE              POINTER       ; JSAMPARRAY *  (jpeglib.h)
 +%define JCOEFPTR                POINTER       ; JCOEF FAR *   (jpeglib.h)
 +%define SIZEOF_JSAMPROW         SIZEOF_POINTER  ; sizeof(JSAMPROW)
 +%define SIZEOF_JSAMPARRAY       SIZEOF_POINTER  ; sizeof(JSAMPARRAY)
 +%define SIZEOF_JSAMPIMAGE       SIZEOF_POINTER  ; sizeof(JSAMPIMAGE)
 +%define SIZEOF_JCOEFPTR         SIZEOF_POINTER  ; sizeof(JCOEFPTR)
 +
 +;
 +; -- jdct.h
 +;
 +
 +; A forward DCT routine is given a pointer to a work area of type DCTELEM[];
 +; the DCT is to be performed in-place in that buffer.
 +; To maximize parallelism, Type DCTELEM is changed to short (originally, int).
 +;
 +%define DCTELEM                 word          ; short
 +%define SIZEOF_DCTELEM          SIZEOF_WORD   ; sizeof(DCTELEM)
 +
 +%define FAST_FLOAT              FP32            ; float
 +%define SIZEOF_FAST_FLOAT       SIZEOF_FP32     ; sizeof(FAST_FLOAT)
 +
 +; To maximize parallelism, Type MULTIPLIER is changed to short.
 +;
 +%define ISLOW_MULT_TYPE         word          ; must be short
 +%define SIZEOF_ISLOW_MULT_TYPE  SIZEOF_WORD   ; sizeof(ISLOW_MULT_TYPE)
 +
 +%define IFAST_MULT_TYPE         word          ; must be short
 +%define SIZEOF_IFAST_MULT_TYPE  SIZEOF_WORD   ; sizeof(IFAST_MULT_TYPE)
 +%define IFAST_SCALE_BITS        2             ; fractional bits in scale factors
 +
 +%define FLOAT_MULT_TYPE         FP32          ; must be float
 +%define SIZEOF_FLOAT_MULT_TYPE  SIZEOF_FP32   ; sizeof(FLOAT_MULT_TYPE)
 +
 +;
 +; -- jsimd.h
 +;
 +
 +definev(JSIMD_NONE)
 +definev(JSIMD_MMX)
 +definev(JSIMD_3DNOW)
 +definev(JSIMD_SSE)
++definev(JSIMD_SSE2)
 +
 +; Short forms of external names for systems with brain-damaged linkers.
 +;
 +#ifdef NEED_SHORT_EXTERNAL_NAMES
 +definev(jpeg_simd_cpu_support)
 +definev(jsimd_rgb_ycc_convert_mmx)
 +definev(jsimd_ycc_rgb_convert_mmx)
++definev(jconst_rgb_ycc_convert_sse2)
++definev(jsimd_rgb_ycc_convert_sse2)
++definev(jconst_ycc_rgb_convert_sse2)
++definev(jsimd_ycc_rgb_convert_sse2)
 +definev(jsimd_h2v2_downsample_mmx)
 +definev(jsimd_h2v1_downsample_mmx)
++definev(jsimd_h2v2_downsample_sse2)
++definev(jsimd_h2v1_downsample_sse2)
 +definev(jsimd_h2v2_upsample_mmx)
 +definev(jsimd_h2v1_upsample_mmx)
 +definev(jsimd_h2v1_fancy_upsample_mmx)
 +definev(jsimd_h2v2_fancy_upsample_mmx)
 +definev(jsimd_h2v1_merged_upsample_mmx)
 +definev(jsimd_h2v2_merged_upsample_mmx)
++definev(jsimd_h2v2_upsample_sse2)
++definev(jsimd_h2v1_upsample_sse2)
++definev(jconst_fancy_upsample_sse2)
++definev(jsimd_h2v1_fancy_upsample_sse2)
++definev(jsimd_h2v2_fancy_upsample_sse2)
++definev(jconst_merged_upsample_sse2)
++definev(jsimd_h2v1_merged_upsample_sse2)
++definev(jsimd_h2v2_merged_upsample_sse2)
 +definev(jsimd_convsamp_mmx)
++definev(jsimd_convsamp_sse2)
 +definev(jsimd_convsamp_float_3dnow)
 +definev(jsimd_convsamp_float_sse)
++definev(jsimd_convsamp_float_sse2)
 +definev(jsimd_fdct_islow_mmx)
 +definev(jsimd_fdct_ifast_mmx)
++definev(jconst_fdct_islow_sse2)
++definev(jsimd_fdct_islow_sse2)
++definev(jconst_fdct_ifast_sse2)
++definev(jsimd_fdct_ifast_sse2)
 +definev(jsimd_fdct_float_3dnow)
 +definev(jconst_fdct_float_sse)
 +definev(jsimd_fdct_float_sse)
 +definev(jsimd_quantize_mmx)
++definev(jsimd_quantize_sse2)
 +definev(jsimd_quantize_float_3dnow)
 +definev(jsimd_quantize_float_sse)
++definev(jsimd_quantize_float_sse2)
 +definev(jsimd_idct_2x2_mmx)
 +definev(jsimd_idct_4x4_mmx)
++definev(jconst_idct_red_sse2)
++definev(jsimd_idct_2x2_sse2)
++definev(jsimd_idct_4x4_sse2)
 +definev(jsimd_idct_islow_mmx)
 +definev(jsimd_idct_ifast_mmx)
++definev(jconst_idct_islow_sse2)
++definev(jsimd_idct_islow_sse2)
++definev(jconst_idct_ifast_sse2)
++definev(jsimd_idct_ifast_sse2)
 +definev(jsimd_idct_float_3dnow)
 +definev(jconst_idct_float_sse)
 +definev(jsimd_idct_float_sse)
++definev(jconst_idct_float_sse2)
++definev(jsimd_idct_float_sse2)
 +#endif /* NEED_SHORT_EXTERNAL_NAMES */
 +
Simple merge
index 5fcd7be2ea46f9572f8444009ce7e284082e3acc,a502c07ca3cbc9f950323d4a4bced22e356ad27c..8bbf64eb894f37532b1d5e87be0a9b6d85a96283
  
  ; ==========================================================================
  
 -; ---- jpeglib.h -----------------------------------------------------------
 -
 -%define DCTSIZE               8       ; The basic DCT block is 8x8 samples
 -%define DCTSIZE2      64      ; DCTSIZE squared; # of elements in a block
 -
 -%define JSIMD_NONE    0x00    ; bitflags for jpeg_simd_*_support()
 -%define JSIMD_MMX     0x01
 -%define JSIMD_3DNOW   0x02
 -%define JSIMD_SSE     0x04
 -%define JSIMD_SSE2    0x08
 -%define JSIMD_ALL     (JSIMD_MMX | JSIMD_3DNOW | JSIMD_SSE | JSIMD_SSE2)
 -
 -; ---- jpegint.h -----------------------------------------------------------
 -
 -; Short forms of external names for systems with brain-damaged linkers.
 -;
 -%ifdef NEED_SHORT_EXTERNAL_NAMES
 -%define jpeg_simd_cpu_support jSiCpuSupport
 -%define jpeg_simd_os_support  jSiOsSupport
 -%endif ; NEED_SHORT_EXTERNAL_NAMES
 -
 -; ---- jmorecfg.h ----------------------------------------------------------
 -;
 -; BITS_IN_JSAMPLE==8 (8-bit sample values) is the only valid setting
 -; on this SIMD implementation.
 -;
 -%define BITS_IN_JSAMPLE       8       ; Caution: Cannot be changed
 -
 -; Representation of a single sample (pixel element value).
 -; On this SIMD implementation, this must be 'unsigned char'.
 -;
 -%define JSAMPLE               byte            ; unsigned char
 -%define SIZEOF_JSAMPLE        SIZEOF_BYTE     ; sizeof(JSAMPLE)
 -%define MAXJSAMPLE    255
 -%define CENTERJSAMPLE 128
 -
 -; Representation of a DCT frequency coefficient.
 -; On this SIMD implementation, this must be 'short'.
 -;
 -%define JCOEF         word            ; short
 -%define SIZEOF_JCOEF  SIZEOF_WORD     ; sizeof(JCOEF)
 -
 -; INT32 must hold at least signed 32-bit values.
 -; On this SIMD implementation, this must be 'long'.
 -;
 -%define INT32         dword           ; long
 -%define SIZEOF_INT32  SIZEOF_DWORD    ; sizeof(INT32)
 -
 -; Datatype used for image dimensions.
 -; On this SIMD implementation, this must be 'unsigned int'.
 -;
 -%define JDIMENSION            dword           ; unsigned int
 -%define SIZEOF_JDIMENSION     SIZEOF_DWORD    ; sizeof(JDIMENSION)
 -
  ; --------------------------------------------------------------------------
 -
 -%define JSAMPROW              POINTER         ; JSAMPLE FAR * (jpeglib.h)
 -%define JSAMPARRAY            POINTER         ; JSAMPROW *    (jpeglib.h)
 -%define JSAMPIMAGE            POINTER         ; JSAMPARRAY *  (jpeglib.h)
 -%define JCOEFPTR              POINTER         ; JCOEF FAR *   (jpeglib.h)
 -%define SIZEOF_JSAMPROW               SIZEOF_POINTER  ; sizeof(JSAMPROW)
 -%define SIZEOF_JSAMPARRAY     SIZEOF_POINTER  ; sizeof(JSAMPARRAY)
 -%define SIZEOF_JSAMPIMAGE     SIZEOF_POINTER  ; sizeof(JSAMPIMAGE)
 -%define SIZEOF_JCOEFPTR               SIZEOF_POINTER  ; sizeof(JCOEFPTR)
 -
 -%define POINTER                       dword           ; general pointer type
 -%define SIZEOF_POINTER                SIZEOF_DWORD    ; sizeof(POINTER)
 -%define POINTER_BIT           DWORD_BIT       ; sizeof(POINTER)*BYTE_BIT
 -
 -%define INT                   dword           ; signed integer type
 -%define SIZEOF_INT            SIZEOF_DWORD    ; sizeof(INT)
 -%define INT_BIT                       DWORD_BIT       ; sizeof(INT)*BYTE_BIT
 -
 -%define FP32                  dword           ; IEEE754 single
 -%define SIZEOF_FP32           SIZEOF_DWORD    ; sizeof(FP32)
 -%define FP32_BIT              DWORD_BIT       ; sizeof(FP32)*BYTE_BIT
 -
 -%define FP64                  qword           ; IEEE754 double
 -%define SIZEOF_FP64           SIZEOF_QWORD    ; sizeof(FP64)
 -%define FP64_BIT              QWORD_BIT       ; sizeof(FP64)*BYTE_BIT
 -
 -%define FP80                  tword           ; IEEE754 double-extended(x86)
 -%define SIZEOF_FP80           SIZEOF_TWORD    ; sizeof(FP80)
 -%define FP80_BIT              TWORD_BIT       ; sizeof(FP80)*BYTE_BIT
 -
 -%define MMWORD                        qword           ; int64  (MMX register)
 -%define SIZEOF_MMWORD         SIZEOF_QWORD    ; sizeof(MMWORD)
 -%define MMWORD_BIT            QWORD_BIT       ; sizeof(MMWORD)*BYTE_BIT
 -
 -%define XMMWORD                       dqword          ; int128 (SSE register)
 -%define SIZEOF_XMMWORD                SIZEOF_DQWORD   ; sizeof(XMMWORD)
 -%define XMMWORD_BIT           DQWORD_BIT      ; sizeof(XMMWORD)*BYTE_BIT
 -
 -%define SIZEOF_BYTE           1               ; sizeof(BYTE)
 -%define SIZEOF_WORD           2               ; sizeof(WORD)
 -%define SIZEOF_DWORD          4               ; sizeof(DWORD)
 -%define SIZEOF_QWORD          8               ; sizeof(QWORD)
 -%define SIZEOF_TBYTE          10              ; sizeof(TBYTE)
 -%define SIZEOF_TWORD          10              ; sizeof(TWORD)
 -%define SIZEOF_DQWORD         16              ; sizeof(DQWORD)
 -
 -%define BYTE_BIT              8               ; CHAR_BIT in C
 -%define WORD_BIT              16              ; sizeof(WORD)*BYTE_BIT
 -%define DWORD_BIT             32              ; sizeof(DWORD)*BYTE_BIT
 -%define QWORD_BIT             64              ; sizeof(QWORD)*BYTE_BIT
 -%define TBYTE_BIT             80              ; sizeof(TBYTE)*BYTE_BIT
 -%define TWORD_BIT             80              ; sizeof(TWORD)*BYTE_BIT
 -%define DQWORD_BIT            128             ; sizeof(DQWORD)*BYTE_BIT
 -
 -%idefine TBYTE        TWORD   ; NASM uses the keyword 'TWORD' instead of 'TBYTE'
 -%idefine DQWORD               ; currently not supported by NASM
 -%idefine _MMWORD      ;
 -%idefine _DWORD               ;
 +;  Common types
 +;
 +%define POINTER                 dword           ; general pointer type
 +%define SIZEOF_POINTER          SIZEOF_DWORD    ; sizeof(POINTER)
 +%define POINTER_BIT             DWORD_BIT       ; sizeof(POINTER)*BYTE_BIT
 +
 +%define INT                     dword           ; signed integer type
 +%define SIZEOF_INT              SIZEOF_DWORD    ; sizeof(INT)
 +%define INT_BIT                 DWORD_BIT       ; sizeof(INT)*BYTE_BIT
 +
 +%define FP32                    dword           ; IEEE754 single
 +%define SIZEOF_FP32             SIZEOF_DWORD    ; sizeof(FP32)
 +%define FP32_BIT                DWORD_BIT       ; sizeof(FP32)*BYTE_BIT
 +
 +%define MMWORD                  qword           ; int64  (MMX register)
 +%define SIZEOF_MMWORD           SIZEOF_QWORD    ; sizeof(MMWORD)
 +%define MMWORD_BIT              QWORD_BIT       ; sizeof(MMWORD)*BYTE_BIT
 +
 +; NASM is buggy and doesn't properly handle operand sizes for SSE
 +; instructions, so for now we have to define XMMWORD as blank.
 +%define XMMWORD                                 ; int128 (SSE register)
 +%define SIZEOF_XMMWORD          SIZEOF_OWORD    ; sizeof(XMMWORD)
 +%define XMMWORD_BIT             OWORD_BIT       ; sizeof(XMMWORD)*BYTE_BIT
 +
++; Similar hacks for when we load a dword or MMWORD into an xmm# register
++%define XMM_DWORD
++%define XMM_MMWORD
++
 +%define SIZEOF_BYTE             1               ; sizeof(BYTE)
 +%define SIZEOF_WORD             2               ; sizeof(WORD)
 +%define SIZEOF_DWORD            4               ; sizeof(DWORD)
 +%define SIZEOF_QWORD            8               ; sizeof(QWORD)
 +%define SIZEOF_OWORD            16              ; sizeof(OWORD)
 +
 +%define BYTE_BIT                8               ; CHAR_BIT in C
 +%define WORD_BIT                16              ; sizeof(WORD)*BYTE_BIT
 +%define DWORD_BIT               32              ; sizeof(DWORD)*BYTE_BIT
 +%define QWORD_BIT               64              ; sizeof(QWORD)*BYTE_BIT
 +%define OWORD_BIT               128             ; sizeof(OWORD)*BYTE_BIT
  
  ; --------------------------------------------------------------------------
  ;  External Symbol Name