]> granicus.if.org Git - libvpx/commitdiff
Improve idct32x32_1024_add SSSE3 intrinsics performance
authorYi Luo <luoyi@google.com>
Mon, 6 Mar 2017 23:11:49 +0000 (15:11 -0800)
committerYi Luo <luoyi@google.com>
Tue, 14 Mar 2017 21:04:08 +0000 (14:04 -0700)
- Function level speed improves ~12%.

Change-Id: I9b7dbddabf08c7d0f6b25264e6074d5ccbe39290

vpx_dsp/x86/inv_txfm_ssse3.c

index d4c3c7d301b2f8827d31cf82b1b23c6a2573913f..2f4e5ab85e9ddbf750372d8302c829c7a91d7519 100644 (file)
@@ -1029,421 +1029,262 @@ void vpx_idct32x32_135_add_ssse3(const tran_low_t *input, uint8_t *dest,
   recon_and_store(col0, col1, dest + 16, stride);
 }
 
-// For each 8x32 block __m128i in[32], output __m128i in[32]
-static void idct32_8x32(const __m128i *in, __m128i *out) {
-  const __m128i rounding = _mm_set1_epi32(DCT_CONST_ROUNDING);
-  // idct constants for each stage
-  const __m128i stg1_0 = pair_set_epi16(cospi_31_64, -cospi_1_64);
-  const __m128i stg1_1 = pair_set_epi16(cospi_1_64, cospi_31_64);
-  const __m128i stg1_2 = pair_set_epi16(cospi_15_64, -cospi_17_64);
-  const __m128i stg1_3 = pair_set_epi16(cospi_17_64, cospi_15_64);
-  const __m128i stg1_4 = pair_set_epi16(cospi_23_64, -cospi_9_64);
-  const __m128i stg1_5 = pair_set_epi16(cospi_9_64, cospi_23_64);
-  const __m128i stg1_6 = pair_set_epi16(cospi_7_64, -cospi_25_64);
-  const __m128i stg1_7 = pair_set_epi16(cospi_25_64, cospi_7_64);
-  const __m128i stg1_8 = pair_set_epi16(cospi_27_64, -cospi_5_64);
-  const __m128i stg1_9 = pair_set_epi16(cospi_5_64, cospi_27_64);
-  const __m128i stg1_10 = pair_set_epi16(cospi_11_64, -cospi_21_64);
-  const __m128i stg1_11 = pair_set_epi16(cospi_21_64, cospi_11_64);
-  const __m128i stg1_12 = pair_set_epi16(cospi_19_64, -cospi_13_64);
-  const __m128i stg1_13 = pair_set_epi16(cospi_13_64, cospi_19_64);
-  const __m128i stg1_14 = pair_set_epi16(cospi_3_64, -cospi_29_64);
-  const __m128i stg1_15 = pair_set_epi16(cospi_29_64, cospi_3_64);
-
-  const __m128i stg2_0 = pair_set_epi16(cospi_30_64, -cospi_2_64);
-  const __m128i stg2_1 = pair_set_epi16(cospi_2_64, cospi_30_64);
-  const __m128i stg2_2 = pair_set_epi16(cospi_14_64, -cospi_18_64);
-  const __m128i stg2_3 = pair_set_epi16(cospi_18_64, cospi_14_64);
-  const __m128i stg2_4 = pair_set_epi16(cospi_22_64, -cospi_10_64);
-  const __m128i stg2_5 = pair_set_epi16(cospi_10_64, cospi_22_64);
-  const __m128i stg2_6 = pair_set_epi16(cospi_6_64, -cospi_26_64);
-  const __m128i stg2_7 = pair_set_epi16(cospi_26_64, cospi_6_64);
-
-  const __m128i stg3_0 = pair_set_epi16(cospi_28_64, -cospi_4_64);
-  const __m128i stg3_1 = pair_set_epi16(cospi_4_64, cospi_28_64);
-  const __m128i stg3_2 = pair_set_epi16(cospi_12_64, -cospi_20_64);
-  const __m128i stg3_3 = pair_set_epi16(cospi_20_64, cospi_12_64);
-  const __m128i stg3_4 = pair_set_epi16(-cospi_4_64, cospi_28_64);
-  const __m128i stg3_5 = pair_set_epi16(cospi_28_64, cospi_4_64);
-  const __m128i stg3_6 = pair_set_epi16(-cospi_28_64, -cospi_4_64);
-  const __m128i stg3_8 = pair_set_epi16(-cospi_20_64, cospi_12_64);
-  const __m128i stg3_9 = pair_set_epi16(cospi_12_64, cospi_20_64);
-  const __m128i stg3_10 = pair_set_epi16(-cospi_12_64, -cospi_20_64);
+// For each 8x32 block __m128i in[32],
+// Input with index, 2, 6, 10, 14, 18, 22, 26, 30
+// output pixels: 8-15 in __m128i in[32]
+static void idct32_full_8x32_quarter_2(const __m128i *in /*in[32]*/,
+                                       __m128i *out /*out[16]*/) {
+  __m128i u8, u9, u10, u11, u12, u13, u14, u15;  // stp2_
+  __m128i v8, v9, v10, v11, v12, v13, v14, v15;  // stp1_
 
-  const __m128i stg4_0 = pair_set_epi16(cospi_16_64, cospi_16_64);
-  const __m128i stg4_1 = pair_set_epi16(cospi_16_64, -cospi_16_64);
-  const __m128i stg4_2 = pair_set_epi16(cospi_24_64, -cospi_8_64);
-  const __m128i stg4_3 = pair_set_epi16(cospi_8_64, cospi_24_64);
-  const __m128i stg4_4 = pair_set_epi16(-cospi_8_64, cospi_24_64);
-  const __m128i stg4_5 = pair_set_epi16(cospi_24_64, cospi_8_64);
-  const __m128i stg4_6 = pair_set_epi16(-cospi_24_64, -cospi_8_64);
+  {
+    const __m128i stg2_0 = pair_set_epi16(cospi_30_64, -cospi_2_64);
+    const __m128i stg2_1 = pair_set_epi16(cospi_2_64, cospi_30_64);
+    const __m128i stg2_2 = pair_set_epi16(cospi_14_64, -cospi_18_64);
+    const __m128i stg2_3 = pair_set_epi16(cospi_18_64, cospi_14_64);
+    butterfly(&in[2], &in[30], &stg2_0, &stg2_1, &u8, &u15);
+    butterfly(&in[18], &in[14], &stg2_2, &stg2_3, &u9, &u14);
+  }
 
-  const __m128i stg6_0 = pair_set_epi16(-cospi_16_64, cospi_16_64);
-  __m128i stp1_0, stp1_1, stp1_2, stp1_3, stp1_4, stp1_5, stp1_6, stp1_7,
-      stp1_8, stp1_9, stp1_10, stp1_11, stp1_12, stp1_13, stp1_14, stp1_15,
-      stp1_16, stp1_17, stp1_18, stp1_19, stp1_20, stp1_21, stp1_22, stp1_23,
-      stp1_24, stp1_25, stp1_26, stp1_27, stp1_28, stp1_29, stp1_30, stp1_31;
-  __m128i stp2_0, stp2_1, stp2_2, stp2_3, stp2_4, stp2_5, stp2_6, stp2_7,
-      stp2_8, stp2_9, stp2_10, stp2_11, stp2_12, stp2_13, stp2_14, stp2_15,
-      stp2_16, stp2_17, stp2_18, stp2_19, stp2_20, stp2_21, stp2_22, stp2_23,
-      stp2_24, stp2_25, stp2_26, stp2_27, stp2_28, stp2_29, stp2_30, stp2_31;
-  __m128i tmp0, tmp1, tmp2, tmp3, tmp4, tmp5, tmp6, tmp7;
+  v8 = _mm_add_epi16(u8, u9);
+  v9 = _mm_sub_epi16(u8, u9);
+  v14 = _mm_sub_epi16(u15, u14);
+  v15 = _mm_add_epi16(u15, u14);
 
-  /* Stage1 */
   {
-    const __m128i lo_1_31 = _mm_unpacklo_epi16(in[1], in[31]);
-    const __m128i hi_1_31 = _mm_unpackhi_epi16(in[1], in[31]);
-    const __m128i lo_17_15 = _mm_unpacklo_epi16(in[17], in[15]);
-    const __m128i hi_17_15 = _mm_unpackhi_epi16(in[17], in[15]);
-
-    const __m128i lo_9_23 = _mm_unpacklo_epi16(in[9], in[23]);
-    const __m128i hi_9_23 = _mm_unpackhi_epi16(in[9], in[23]);
-    const __m128i lo_25_7 = _mm_unpacklo_epi16(in[25], in[7]);
-    const __m128i hi_25_7 = _mm_unpackhi_epi16(in[25], in[7]);
-
-    const __m128i lo_5_27 = _mm_unpacklo_epi16(in[5], in[27]);
-    const __m128i hi_5_27 = _mm_unpackhi_epi16(in[5], in[27]);
-    const __m128i lo_21_11 = _mm_unpacklo_epi16(in[21], in[11]);
-    const __m128i hi_21_11 = _mm_unpackhi_epi16(in[21], in[11]);
-
-    const __m128i lo_13_19 = _mm_unpacklo_epi16(in[13], in[19]);
-    const __m128i hi_13_19 = _mm_unpackhi_epi16(in[13], in[19]);
-    const __m128i lo_29_3 = _mm_unpacklo_epi16(in[29], in[3]);
-    const __m128i hi_29_3 = _mm_unpackhi_epi16(in[29], in[3]);
-
-    MULTIPLICATION_AND_ADD(lo_1_31, hi_1_31, lo_17_15, hi_17_15, stg1_0, stg1_1,
-                           stg1_2, stg1_3, stp1_16, stp1_31, stp1_17, stp1_30)
-    MULTIPLICATION_AND_ADD(lo_9_23, hi_9_23, lo_25_7, hi_25_7, stg1_4, stg1_5,
-                           stg1_6, stg1_7, stp1_18, stp1_29, stp1_19, stp1_28)
-    MULTIPLICATION_AND_ADD(lo_5_27, hi_5_27, lo_21_11, hi_21_11, stg1_8, stg1_9,
-                           stg1_10, stg1_11, stp1_20, stp1_27, stp1_21, stp1_26)
-    MULTIPLICATION_AND_ADD(lo_13_19, hi_13_19, lo_29_3, hi_29_3, stg1_12,
-                           stg1_13, stg1_14, stg1_15, stp1_22, stp1_25, stp1_23,
-                           stp1_24)
+    const __m128i stg2_4 = pair_set_epi16(cospi_22_64, -cospi_10_64);
+    const __m128i stg2_5 = pair_set_epi16(cospi_10_64, cospi_22_64);
+    const __m128i stg2_6 = pair_set_epi16(cospi_6_64, -cospi_26_64);
+    const __m128i stg2_7 = pair_set_epi16(cospi_26_64, cospi_6_64);
+    butterfly(&in[10], &in[22], &stg2_4, &stg2_5, &u10, &u13);
+    butterfly(&in[26], &in[6], &stg2_6, &stg2_7, &u11, &u12);
   }
 
-  /* Stage2 */
+  v10 = _mm_sub_epi16(u11, u10);
+  v11 = _mm_add_epi16(u11, u10);
+  v12 = _mm_add_epi16(u12, u13);
+  v13 = _mm_sub_epi16(u12, u13);
+
   {
-    const __m128i lo_2_30 = _mm_unpacklo_epi16(in[2], in[30]);
-    const __m128i hi_2_30 = _mm_unpackhi_epi16(in[2], in[30]);
-    const __m128i lo_18_14 = _mm_unpacklo_epi16(in[18], in[14]);
-    const __m128i hi_18_14 = _mm_unpackhi_epi16(in[18], in[14]);
-
-    const __m128i lo_10_22 = _mm_unpacklo_epi16(in[10], in[22]);
-    const __m128i hi_10_22 = _mm_unpackhi_epi16(in[10], in[22]);
-    const __m128i lo_26_6 = _mm_unpacklo_epi16(in[26], in[6]);
-    const __m128i hi_26_6 = _mm_unpackhi_epi16(in[26], in[6]);
-
-    MULTIPLICATION_AND_ADD(lo_2_30, hi_2_30, lo_18_14, hi_18_14, stg2_0, stg2_1,
-                           stg2_2, stg2_3, stp2_8, stp2_15, stp2_9, stp2_14)
-    MULTIPLICATION_AND_ADD(lo_10_22, hi_10_22, lo_26_6, hi_26_6, stg2_4, stg2_5,
-                           stg2_6, stg2_7, stp2_10, stp2_13, stp2_11, stp2_12)
-
-    stp2_16 = _mm_add_epi16(stp1_16, stp1_17);
-    stp2_17 = _mm_sub_epi16(stp1_16, stp1_17);
-    stp2_18 = _mm_sub_epi16(stp1_19, stp1_18);
-    stp2_19 = _mm_add_epi16(stp1_19, stp1_18);
-
-    stp2_20 = _mm_add_epi16(stp1_20, stp1_21);
-    stp2_21 = _mm_sub_epi16(stp1_20, stp1_21);
-    stp2_22 = _mm_sub_epi16(stp1_23, stp1_22);
-    stp2_23 = _mm_add_epi16(stp1_23, stp1_22);
-
-    stp2_24 = _mm_add_epi16(stp1_24, stp1_25);
-    stp2_25 = _mm_sub_epi16(stp1_24, stp1_25);
-    stp2_26 = _mm_sub_epi16(stp1_27, stp1_26);
-    stp2_27 = _mm_add_epi16(stp1_27, stp1_26);
-
-    stp2_28 = _mm_add_epi16(stp1_28, stp1_29);
-    stp2_29 = _mm_sub_epi16(stp1_28, stp1_29);
-    stp2_30 = _mm_sub_epi16(stp1_31, stp1_30);
-    stp2_31 = _mm_add_epi16(stp1_31, stp1_30);
+    const __m128i stg4_4 = pair_set_epi16(-cospi_8_64, cospi_24_64);
+    const __m128i stg4_5 = pair_set_epi16(cospi_24_64, cospi_8_64);
+    const __m128i stg4_6 = pair_set_epi16(-cospi_24_64, -cospi_8_64);
+    butterfly_self(&v9, &v14, stg4_4, stg4_5);
+    butterfly_self(&v10, &v13, stg4_6, stg4_4);
   }
 
-  /* Stage3 */
+  out[0] = _mm_add_epi16(v8, v11);
+  out[1] = _mm_add_epi16(v9, v10);
+  out[6] = _mm_add_epi16(v14, v13);
+  out[7] = _mm_add_epi16(v15, v12);
+
+  out[2] = _mm_sub_epi16(v9, v10);
+  out[3] = _mm_sub_epi16(v8, v11);
+  out[4] = _mm_sub_epi16(v15, v12);
+  out[5] = _mm_sub_epi16(v14, v13);
+
   {
-    const __m128i lo_4_28 = _mm_unpacklo_epi16(in[4], in[28]);
-    const __m128i hi_4_28 = _mm_unpackhi_epi16(in[4], in[28]);
-    const __m128i lo_20_12 = _mm_unpacklo_epi16(in[20], in[12]);
-    const __m128i hi_20_12 = _mm_unpackhi_epi16(in[20], in[12]);
-
-    const __m128i lo_17_30 = _mm_unpacklo_epi16(stp2_17, stp2_30);
-    const __m128i hi_17_30 = _mm_unpackhi_epi16(stp2_17, stp2_30);
-    const __m128i lo_18_29 = _mm_unpacklo_epi16(stp2_18, stp2_29);
-    const __m128i hi_18_29 = _mm_unpackhi_epi16(stp2_18, stp2_29);
-
-    const __m128i lo_21_26 = _mm_unpacklo_epi16(stp2_21, stp2_26);
-    const __m128i hi_21_26 = _mm_unpackhi_epi16(stp2_21, stp2_26);
-    const __m128i lo_22_25 = _mm_unpacklo_epi16(stp2_22, stp2_25);
-    const __m128i hi_22_25 = _mm_unpackhi_epi16(stp2_22, stp2_25);
-
-    MULTIPLICATION_AND_ADD(lo_4_28, hi_4_28, lo_20_12, hi_20_12, stg3_0, stg3_1,
-                           stg3_2, stg3_3, stp1_4, stp1_7, stp1_5, stp1_6)
-
-    stp1_8 = _mm_add_epi16(stp2_8, stp2_9);
-    stp1_9 = _mm_sub_epi16(stp2_8, stp2_9);
-    stp1_10 = _mm_sub_epi16(stp2_11, stp2_10);
-    stp1_11 = _mm_add_epi16(stp2_11, stp2_10);
-    stp1_12 = _mm_add_epi16(stp2_12, stp2_13);
-    stp1_13 = _mm_sub_epi16(stp2_12, stp2_13);
-    stp1_14 = _mm_sub_epi16(stp2_15, stp2_14);
-    stp1_15 = _mm_add_epi16(stp2_15, stp2_14);
-
-    MULTIPLICATION_AND_ADD(lo_17_30, hi_17_30, lo_18_29, hi_18_29, stg3_4,
-                           stg3_5, stg3_6, stg3_4, stp1_17, stp1_30, stp1_18,
-                           stp1_29)
-    MULTIPLICATION_AND_ADD(lo_21_26, hi_21_26, lo_22_25, hi_22_25, stg3_8,
-                           stg3_9, stg3_10, stg3_8, stp1_21, stp1_26, stp1_22,
-                           stp1_25)
-
-    stp1_16 = stp2_16;
-    stp1_31 = stp2_31;
-    stp1_19 = stp2_19;
-    stp1_20 = stp2_20;
-    stp1_23 = stp2_23;
-    stp1_24 = stp2_24;
-    stp1_27 = stp2_27;
-    stp1_28 = stp2_28;
+    const __m128i stg4_0 = pair_set_epi16(cospi_16_64, cospi_16_64);
+    const __m128i stg6_0 = pair_set_epi16(-cospi_16_64, cospi_16_64);
+    butterfly_self(&out[2], &out[5], stg6_0, stg4_0);
+    butterfly_self(&out[3], &out[4], stg6_0, stg4_0);
   }
+}
+
+// For each 8x32 block __m128i in[32],
+// Input with index, 0, 4, 8, 12, 16, 20, 24, 28
+// output pixels: 0-7 in __m128i in[32]
+static void idct32_full_8x32_quarter_1(const __m128i *in /*in[32]*/,
+                                       __m128i *out /*out[8]*/) {
+  __m128i u0, u1, u2, u3, u4, u5, u6, u7;  // stp1_
+  __m128i v0, v1, v2, v3, v4, v5, v6, v7;  // stp2_
 
-  /* Stage4 */
   {
-    const __m128i lo_0_16 = _mm_unpacklo_epi16(in[0], in[16]);
-    const __m128i hi_0_16 = _mm_unpackhi_epi16(in[0], in[16]);
-    const __m128i lo_8_24 = _mm_unpacklo_epi16(in[8], in[24]);
-    const __m128i hi_8_24 = _mm_unpackhi_epi16(in[8], in[24]);
-
-    const __m128i lo_9_14 = _mm_unpacklo_epi16(stp1_9, stp1_14);
-    const __m128i hi_9_14 = _mm_unpackhi_epi16(stp1_9, stp1_14);
-    const __m128i lo_10_13 = _mm_unpacklo_epi16(stp1_10, stp1_13);
-    const __m128i hi_10_13 = _mm_unpackhi_epi16(stp1_10, stp1_13);
-
-    MULTIPLICATION_AND_ADD(lo_0_16, hi_0_16, lo_8_24, hi_8_24, stg4_0, stg4_1,
-                           stg4_2, stg4_3, stp2_0, stp2_1, stp2_2, stp2_3)
-
-    stp2_4 = _mm_add_epi16(stp1_4, stp1_5);
-    stp2_5 = _mm_sub_epi16(stp1_4, stp1_5);
-    stp2_6 = _mm_sub_epi16(stp1_7, stp1_6);
-    stp2_7 = _mm_add_epi16(stp1_7, stp1_6);
-
-    MULTIPLICATION_AND_ADD(lo_9_14, hi_9_14, lo_10_13, hi_10_13, stg4_4, stg4_5,
-                           stg4_6, stg4_4, stp2_9, stp2_14, stp2_10, stp2_13)
-
-    stp2_8 = stp1_8;
-    stp2_15 = stp1_15;
-    stp2_11 = stp1_11;
-    stp2_12 = stp1_12;
-
-    stp2_16 = _mm_add_epi16(stp1_16, stp1_19);
-    stp2_17 = _mm_add_epi16(stp1_17, stp1_18);
-    stp2_18 = _mm_sub_epi16(stp1_17, stp1_18);
-    stp2_19 = _mm_sub_epi16(stp1_16, stp1_19);
-    stp2_20 = _mm_sub_epi16(stp1_23, stp1_20);
-    stp2_21 = _mm_sub_epi16(stp1_22, stp1_21);
-    stp2_22 = _mm_add_epi16(stp1_22, stp1_21);
-    stp2_23 = _mm_add_epi16(stp1_23, stp1_20);
-
-    stp2_24 = _mm_add_epi16(stp1_24, stp1_27);
-    stp2_25 = _mm_add_epi16(stp1_25, stp1_26);
-    stp2_26 = _mm_sub_epi16(stp1_25, stp1_26);
-    stp2_27 = _mm_sub_epi16(stp1_24, stp1_27);
-    stp2_28 = _mm_sub_epi16(stp1_31, stp1_28);
-    stp2_29 = _mm_sub_epi16(stp1_30, stp1_29);
-    stp2_30 = _mm_add_epi16(stp1_29, stp1_30);
-    stp2_31 = _mm_add_epi16(stp1_28, stp1_31);
+    const __m128i stg3_0 = pair_set_epi16(cospi_28_64, -cospi_4_64);
+    const __m128i stg3_1 = pair_set_epi16(cospi_4_64, cospi_28_64);
+    const __m128i stg3_2 = pair_set_epi16(cospi_12_64, -cospi_20_64);
+    const __m128i stg3_3 = pair_set_epi16(cospi_20_64, cospi_12_64);
+    butterfly(&in[4], &in[28], &stg3_0, &stg3_1, &u4, &u7);
+    butterfly(&in[20], &in[12], &stg3_2, &stg3_3, &u5, &u6);
   }
 
-  /* Stage5 */
+  v4 = _mm_add_epi16(u4, u5);
+  v5 = _mm_sub_epi16(u4, u5);
+  v6 = _mm_sub_epi16(u7, u6);
+  v7 = _mm_add_epi16(u7, u6);
+
   {
-    const __m128i lo_6_5 = _mm_unpacklo_epi16(stp2_6, stp2_5);
-    const __m128i hi_6_5 = _mm_unpackhi_epi16(stp2_6, stp2_5);
-    const __m128i lo_18_29 = _mm_unpacklo_epi16(stp2_18, stp2_29);
-    const __m128i hi_18_29 = _mm_unpackhi_epi16(stp2_18, stp2_29);
-
-    const __m128i lo_19_28 = _mm_unpacklo_epi16(stp2_19, stp2_28);
-    const __m128i hi_19_28 = _mm_unpackhi_epi16(stp2_19, stp2_28);
-    const __m128i lo_20_27 = _mm_unpacklo_epi16(stp2_20, stp2_27);
-    const __m128i hi_20_27 = _mm_unpackhi_epi16(stp2_20, stp2_27);
-
-    const __m128i lo_21_26 = _mm_unpacklo_epi16(stp2_21, stp2_26);
-    const __m128i hi_21_26 = _mm_unpackhi_epi16(stp2_21, stp2_26);
-
-    stp1_0 = _mm_add_epi16(stp2_0, stp2_3);
-    stp1_1 = _mm_add_epi16(stp2_1, stp2_2);
-    stp1_2 = _mm_sub_epi16(stp2_1, stp2_2);
-    stp1_3 = _mm_sub_epi16(stp2_0, stp2_3);
-
-    tmp0 = _mm_madd_epi16(lo_6_5, stg4_1);
-    tmp1 = _mm_madd_epi16(hi_6_5, stg4_1);
-    tmp2 = _mm_madd_epi16(lo_6_5, stg4_0);
-    tmp3 = _mm_madd_epi16(hi_6_5, stg4_0);
-
-    tmp0 = _mm_add_epi32(tmp0, rounding);
-    tmp1 = _mm_add_epi32(tmp1, rounding);
-    tmp2 = _mm_add_epi32(tmp2, rounding);
-    tmp3 = _mm_add_epi32(tmp3, rounding);
-
-    tmp0 = _mm_srai_epi32(tmp0, DCT_CONST_BITS);
-    tmp1 = _mm_srai_epi32(tmp1, DCT_CONST_BITS);
-    tmp2 = _mm_srai_epi32(tmp2, DCT_CONST_BITS);
-    tmp3 = _mm_srai_epi32(tmp3, DCT_CONST_BITS);
-
-    stp1_5 = _mm_packs_epi32(tmp0, tmp1);
-    stp1_6 = _mm_packs_epi32(tmp2, tmp3);
-
-    stp1_4 = stp2_4;
-    stp1_7 = stp2_7;
-
-    stp1_8 = _mm_add_epi16(stp2_8, stp2_11);
-    stp1_9 = _mm_add_epi16(stp2_9, stp2_10);
-    stp1_10 = _mm_sub_epi16(stp2_9, stp2_10);
-    stp1_11 = _mm_sub_epi16(stp2_8, stp2_11);
-    stp1_12 = _mm_sub_epi16(stp2_15, stp2_12);
-    stp1_13 = _mm_sub_epi16(stp2_14, stp2_13);
-    stp1_14 = _mm_add_epi16(stp2_14, stp2_13);
-    stp1_15 = _mm_add_epi16(stp2_15, stp2_12);
-
-    stp1_16 = stp2_16;
-    stp1_17 = stp2_17;
-
-    MULTIPLICATION_AND_ADD(lo_18_29, hi_18_29, lo_19_28, hi_19_28, stg4_4,
-                           stg4_5, stg4_4, stg4_5, stp1_18, stp1_29, stp1_19,
-                           stp1_28)
-    MULTIPLICATION_AND_ADD(lo_20_27, hi_20_27, lo_21_26, hi_21_26, stg4_6,
-                           stg4_4, stg4_6, stg4_4, stp1_20, stp1_27, stp1_21,
-                           stp1_26)
-
-    stp1_22 = stp2_22;
-    stp1_23 = stp2_23;
-    stp1_24 = stp2_24;
-    stp1_25 = stp2_25;
-    stp1_30 = stp2_30;
-    stp1_31 = stp2_31;
+    const __m128i stg4_0 = pair_set_epi16(cospi_16_64, cospi_16_64);
+    const __m128i stg4_1 = pair_set_epi16(cospi_16_64, -cospi_16_64);
+    const __m128i stg4_2 = pair_set_epi16(cospi_24_64, -cospi_8_64);
+    const __m128i stg4_3 = pair_set_epi16(cospi_8_64, cospi_24_64);
+    butterfly(&v6, &v5, &stg4_1, &stg4_0, &v5, &v6);
+
+    butterfly(&in[0], &in[16], &stg4_0, &stg4_1, &u0, &u1);
+    butterfly(&in[8], &in[24], &stg4_2, &stg4_3, &u2, &u3);
   }
 
-  /* Stage6 */
+  v0 = _mm_add_epi16(u0, u3);
+  v1 = _mm_add_epi16(u1, u2);
+  v2 = _mm_sub_epi16(u1, u2);
+  v3 = _mm_sub_epi16(u0, u3);
+
+  out[0] = _mm_add_epi16(v0, v7);
+  out[1] = _mm_add_epi16(v1, v6);
+  out[2] = _mm_add_epi16(v2, v5);
+  out[3] = _mm_add_epi16(v3, v4);
+  out[4] = _mm_sub_epi16(v3, v4);
+  out[5] = _mm_sub_epi16(v2, v5);
+  out[6] = _mm_sub_epi16(v1, v6);
+  out[7] = _mm_sub_epi16(v0, v7);
+}
+
+// For each 8x32 block __m128i in[32],
+// Input with odd index,
+// 1, 3, 5, 7, 9, 11, 13, 15, 17, 19, 21, 23, 25, 27, 29, 31
+// output pixels: 16-23, 24-31 in __m128i in[32]
+// We avoid hide an offset, 16, inside this function. So we output 0-15 into
+// array out[16]
+static void idct32_full_8x32_quarter_3_4(const __m128i *in /*in[32]*/,
+                                         __m128i *out /*out[16]*/) {
+  __m128i v16, v17, v18, v19, v20, v21, v22, v23;
+  __m128i v24, v25, v26, v27, v28, v29, v30, v31;
+  __m128i u16, u17, u18, u19, u20, u21, u22, u23;
+  __m128i u24, u25, u26, u27, u28, u29, u30, u31;
+
   {
-    const __m128i lo_10_13 = _mm_unpacklo_epi16(stp1_10, stp1_13);
-    const __m128i hi_10_13 = _mm_unpackhi_epi16(stp1_10, stp1_13);
-    const __m128i lo_11_12 = _mm_unpacklo_epi16(stp1_11, stp1_12);
-    const __m128i hi_11_12 = _mm_unpackhi_epi16(stp1_11, stp1_12);
-
-    stp2_0 = _mm_add_epi16(stp1_0, stp1_7);
-    stp2_1 = _mm_add_epi16(stp1_1, stp1_6);
-    stp2_2 = _mm_add_epi16(stp1_2, stp1_5);
-    stp2_3 = _mm_add_epi16(stp1_3, stp1_4);
-    stp2_4 = _mm_sub_epi16(stp1_3, stp1_4);
-    stp2_5 = _mm_sub_epi16(stp1_2, stp1_5);
-    stp2_6 = _mm_sub_epi16(stp1_1, stp1_6);
-    stp2_7 = _mm_sub_epi16(stp1_0, stp1_7);
-
-    stp2_8 = stp1_8;
-    stp2_9 = stp1_9;
-    stp2_14 = stp1_14;
-    stp2_15 = stp1_15;
-
-    MULTIPLICATION_AND_ADD(lo_10_13, hi_10_13, lo_11_12, hi_11_12, stg6_0,
-                           stg4_0, stg6_0, stg4_0, stp2_10, stp2_13, stp2_11,
-                           stp2_12)
-
-    stp2_16 = _mm_add_epi16(stp1_16, stp1_23);
-    stp2_17 = _mm_add_epi16(stp1_17, stp1_22);
-    stp2_18 = _mm_add_epi16(stp1_18, stp1_21);
-    stp2_19 = _mm_add_epi16(stp1_19, stp1_20);
-    stp2_20 = _mm_sub_epi16(stp1_19, stp1_20);
-    stp2_21 = _mm_sub_epi16(stp1_18, stp1_21);
-    stp2_22 = _mm_sub_epi16(stp1_17, stp1_22);
-    stp2_23 = _mm_sub_epi16(stp1_16, stp1_23);
-
-    stp2_24 = _mm_sub_epi16(stp1_31, stp1_24);
-    stp2_25 = _mm_sub_epi16(stp1_30, stp1_25);
-    stp2_26 = _mm_sub_epi16(stp1_29, stp1_26);
-    stp2_27 = _mm_sub_epi16(stp1_28, stp1_27);
-    stp2_28 = _mm_add_epi16(stp1_27, stp1_28);
-    stp2_29 = _mm_add_epi16(stp1_26, stp1_29);
-    stp2_30 = _mm_add_epi16(stp1_25, stp1_30);
-    stp2_31 = _mm_add_epi16(stp1_24, stp1_31);
+    const __m128i stg1_0 = pair_set_epi16(cospi_31_64, -cospi_1_64);
+    const __m128i stg1_1 = pair_set_epi16(cospi_1_64, cospi_31_64);
+    const __m128i stg1_2 = pair_set_epi16(cospi_15_64, -cospi_17_64);
+    const __m128i stg1_3 = pair_set_epi16(cospi_17_64, cospi_15_64);
+    const __m128i stg1_4 = pair_set_epi16(cospi_23_64, -cospi_9_64);
+    const __m128i stg1_5 = pair_set_epi16(cospi_9_64, cospi_23_64);
+    const __m128i stg1_6 = pair_set_epi16(cospi_7_64, -cospi_25_64);
+    const __m128i stg1_7 = pair_set_epi16(cospi_25_64, cospi_7_64);
+    const __m128i stg1_8 = pair_set_epi16(cospi_27_64, -cospi_5_64);
+    const __m128i stg1_9 = pair_set_epi16(cospi_5_64, cospi_27_64);
+    const __m128i stg1_10 = pair_set_epi16(cospi_11_64, -cospi_21_64);
+    const __m128i stg1_11 = pair_set_epi16(cospi_21_64, cospi_11_64);
+    const __m128i stg1_12 = pair_set_epi16(cospi_19_64, -cospi_13_64);
+    const __m128i stg1_13 = pair_set_epi16(cospi_13_64, cospi_19_64);
+    const __m128i stg1_14 = pair_set_epi16(cospi_3_64, -cospi_29_64);
+    const __m128i stg1_15 = pair_set_epi16(cospi_29_64, cospi_3_64);
+    butterfly(&in[1], &in[31], &stg1_0, &stg1_1, &u16, &u31);
+    butterfly(&in[17], &in[15], &stg1_2, &stg1_3, &u17, &u30);
+    butterfly(&in[9], &in[23], &stg1_4, &stg1_5, &u18, &u29);
+    butterfly(&in[25], &in[7], &stg1_6, &stg1_7, &u19, &u28);
+
+    butterfly(&in[5], &in[27], &stg1_8, &stg1_9, &u20, &u27);
+    butterfly(&in[21], &in[11], &stg1_10, &stg1_11, &u21, &u26);
+
+    butterfly(&in[13], &in[19], &stg1_12, &stg1_13, &u22, &u25);
+    butterfly(&in[29], &in[3], &stg1_14, &stg1_15, &u23, &u24);
   }
 
-  /* Stage7 */
+  v16 = _mm_add_epi16(u16, u17);
+  v17 = _mm_sub_epi16(u16, u17);
+  v18 = _mm_sub_epi16(u19, u18);
+  v19 = _mm_add_epi16(u19, u18);
+
+  v20 = _mm_add_epi16(u20, u21);
+  v21 = _mm_sub_epi16(u20, u21);
+  v22 = _mm_sub_epi16(u23, u22);
+  v23 = _mm_add_epi16(u23, u22);
+
+  v24 = _mm_add_epi16(u24, u25);
+  v25 = _mm_sub_epi16(u24, u25);
+  v26 = _mm_sub_epi16(u27, u26);
+  v27 = _mm_add_epi16(u27, u26);
+
+  v28 = _mm_add_epi16(u28, u29);
+  v29 = _mm_sub_epi16(u28, u29);
+  v30 = _mm_sub_epi16(u31, u30);
+  v31 = _mm_add_epi16(u31, u30);
+
+  {
+    const __m128i stg3_4 = pair_set_epi16(-cospi_4_64, cospi_28_64);
+    const __m128i stg3_5 = pair_set_epi16(cospi_28_64, cospi_4_64);
+    const __m128i stg3_6 = pair_set_epi16(-cospi_28_64, -cospi_4_64);
+    const __m128i stg3_8 = pair_set_epi16(-cospi_20_64, cospi_12_64);
+    const __m128i stg3_9 = pair_set_epi16(cospi_12_64, cospi_20_64);
+    const __m128i stg3_10 = pair_set_epi16(-cospi_12_64, -cospi_20_64);
+    butterfly_self(&v17, &v30, stg3_4, stg3_5);
+    butterfly_self(&v18, &v29, stg3_6, stg3_4);
+    butterfly_self(&v21, &v26, stg3_8, stg3_9);
+    butterfly_self(&v22, &v25, stg3_10, stg3_8);
+  }
+
+  u16 = _mm_add_epi16(v16, v19);
+  u17 = _mm_add_epi16(v17, v18);
+  u18 = _mm_sub_epi16(v17, v18);
+  u19 = _mm_sub_epi16(v16, v19);
+  u20 = _mm_sub_epi16(v23, v20);
+  u21 = _mm_sub_epi16(v22, v21);
+  u22 = _mm_add_epi16(v22, v21);
+  u23 = _mm_add_epi16(v23, v20);
+
+  u24 = _mm_add_epi16(v24, v27);
+  u25 = _mm_add_epi16(v25, v26);
+  u26 = _mm_sub_epi16(v25, v26);
+  u27 = _mm_sub_epi16(v24, v27);
+
+  u28 = _mm_sub_epi16(v31, v28);
+  u29 = _mm_sub_epi16(v30, v29);
+  u30 = _mm_add_epi16(v29, v30);
+  u31 = _mm_add_epi16(v28, v31);
+
   {
-    const __m128i lo_20_27 = _mm_unpacklo_epi16(stp2_20, stp2_27);
-    const __m128i hi_20_27 = _mm_unpackhi_epi16(stp2_20, stp2_27);
-    const __m128i lo_21_26 = _mm_unpacklo_epi16(stp2_21, stp2_26);
-    const __m128i hi_21_26 = _mm_unpackhi_epi16(stp2_21, stp2_26);
-
-    const __m128i lo_22_25 = _mm_unpacklo_epi16(stp2_22, stp2_25);
-    const __m128i hi_22_25 = _mm_unpackhi_epi16(stp2_22, stp2_25);
-    const __m128i lo_23_24 = _mm_unpacklo_epi16(stp2_23, stp2_24);
-    const __m128i hi_23_24 = _mm_unpackhi_epi16(stp2_23, stp2_24);
-
-    stp1_0 = _mm_add_epi16(stp2_0, stp2_15);
-    stp1_1 = _mm_add_epi16(stp2_1, stp2_14);
-    stp1_2 = _mm_add_epi16(stp2_2, stp2_13);
-    stp1_3 = _mm_add_epi16(stp2_3, stp2_12);
-    stp1_4 = _mm_add_epi16(stp2_4, stp2_11);
-    stp1_5 = _mm_add_epi16(stp2_5, stp2_10);
-    stp1_6 = _mm_add_epi16(stp2_6, stp2_9);
-    stp1_7 = _mm_add_epi16(stp2_7, stp2_8);
-    stp1_8 = _mm_sub_epi16(stp2_7, stp2_8);
-    stp1_9 = _mm_sub_epi16(stp2_6, stp2_9);
-    stp1_10 = _mm_sub_epi16(stp2_5, stp2_10);
-    stp1_11 = _mm_sub_epi16(stp2_4, stp2_11);
-    stp1_12 = _mm_sub_epi16(stp2_3, stp2_12);
-    stp1_13 = _mm_sub_epi16(stp2_2, stp2_13);
-    stp1_14 = _mm_sub_epi16(stp2_1, stp2_14);
-    stp1_15 = _mm_sub_epi16(stp2_0, stp2_15);
-
-    stp1_16 = stp2_16;
-    stp1_17 = stp2_17;
-    stp1_18 = stp2_18;
-    stp1_19 = stp2_19;
-
-    MULTIPLICATION_AND_ADD(lo_20_27, hi_20_27, lo_21_26, hi_21_26, stg6_0,
-                           stg4_0, stg6_0, stg4_0, stp1_20, stp1_27, stp1_21,
-                           stp1_26)
-    MULTIPLICATION_AND_ADD(lo_22_25, hi_22_25, lo_23_24, hi_23_24, stg6_0,
-                           stg4_0, stg6_0, stg4_0, stp1_22, stp1_25, stp1_23,
-                           stp1_24)
-
-    stp1_28 = stp2_28;
-    stp1_29 = stp2_29;
-    stp1_30 = stp2_30;
-    stp1_31 = stp2_31;
+    const __m128i stg4_4 = pair_set_epi16(-cospi_8_64, cospi_24_64);
+    const __m128i stg4_5 = pair_set_epi16(cospi_24_64, cospi_8_64);
+    const __m128i stg4_6 = pair_set_epi16(-cospi_24_64, -cospi_8_64);
+    butterfly_self(&u18, &u29, stg4_4, stg4_5);
+    butterfly_self(&u19, &u28, stg4_4, stg4_5);
+    butterfly_self(&u20, &u27, stg4_6, stg4_4);
+    butterfly_self(&u21, &u26, stg4_6, stg4_4);
   }
 
-  out[0] = _mm_add_epi16(stp1_0, stp1_31);
-  out[1] = _mm_add_epi16(stp1_1, stp1_30);
-  out[2] = _mm_add_epi16(stp1_2, stp1_29);
-  out[3] = _mm_add_epi16(stp1_3, stp1_28);
-  out[4] = _mm_add_epi16(stp1_4, stp1_27);
-  out[5] = _mm_add_epi16(stp1_5, stp1_26);
-  out[6] = _mm_add_epi16(stp1_6, stp1_25);
-  out[7] = _mm_add_epi16(stp1_7, stp1_24);
-  out[8] = _mm_add_epi16(stp1_8, stp1_23);
-  out[9] = _mm_add_epi16(stp1_9, stp1_22);
-  out[10] = _mm_add_epi16(stp1_10, stp1_21);
-  out[11] = _mm_add_epi16(stp1_11, stp1_20);
-  out[12] = _mm_add_epi16(stp1_12, stp1_19);
-  out[13] = _mm_add_epi16(stp1_13, stp1_18);
-  out[14] = _mm_add_epi16(stp1_14, stp1_17);
-  out[15] = _mm_add_epi16(stp1_15, stp1_16);
-  out[16] = _mm_sub_epi16(stp1_15, stp1_16);
-  out[17] = _mm_sub_epi16(stp1_14, stp1_17);
-  out[18] = _mm_sub_epi16(stp1_13, stp1_18);
-  out[19] = _mm_sub_epi16(stp1_12, stp1_19);
-  out[20] = _mm_sub_epi16(stp1_11, stp1_20);
-  out[21] = _mm_sub_epi16(stp1_10, stp1_21);
-  out[22] = _mm_sub_epi16(stp1_9, stp1_22);
-  out[23] = _mm_sub_epi16(stp1_8, stp1_23);
-  out[24] = _mm_sub_epi16(stp1_7, stp1_24);
-  out[25] = _mm_sub_epi16(stp1_6, stp1_25);
-  out[26] = _mm_sub_epi16(stp1_5, stp1_26);
-  out[27] = _mm_sub_epi16(stp1_4, stp1_27);
-  out[28] = _mm_sub_epi16(stp1_3, stp1_28);
-  out[29] = _mm_sub_epi16(stp1_2, stp1_29);
-  out[30] = _mm_sub_epi16(stp1_1, stp1_30);
-  out[31] = _mm_sub_epi16(stp1_0, stp1_31);
+  out[0] = _mm_add_epi16(u16, u23);
+  out[1] = _mm_add_epi16(u17, u22);
+  out[2] = _mm_add_epi16(u18, u21);
+  out[3] = _mm_add_epi16(u19, u20);
+  out[4] = _mm_sub_epi16(u19, u20);
+  out[5] = _mm_sub_epi16(u18, u21);
+  out[6] = _mm_sub_epi16(u17, u22);
+  out[7] = _mm_sub_epi16(u16, u23);
+
+  out[8] = _mm_sub_epi16(u31, u24);
+  out[9] = _mm_sub_epi16(u30, u25);
+  out[10] = _mm_sub_epi16(u29, u26);
+  out[11] = _mm_sub_epi16(u28, u27);
+  out[12] = _mm_add_epi16(u27, u28);
+  out[13] = _mm_add_epi16(u26, u29);
+  out[14] = _mm_add_epi16(u25, u30);
+  out[15] = _mm_add_epi16(u24, u31);
+
+  {
+    const __m128i stg4_0 = pair_set_epi16(cospi_16_64, cospi_16_64);
+    const __m128i stg6_0 = pair_set_epi16(-cospi_16_64, cospi_16_64);
+    butterfly_self(&out[4], &out[11], stg6_0, stg4_0);
+    butterfly_self(&out[5], &out[10], stg6_0, stg4_0);
+    butterfly_self(&out[6], &out[9], stg6_0, stg4_0);
+    butterfly_self(&out[7], &out[8], stg6_0, stg4_0);
+  }
+}
+
+static void idct32_full_8x32_quarter_1_2(const __m128i *in /*in[32]*/,
+                                         __m128i *out /*out[32]*/) {
+  __m128i temp[16];
+  idct32_full_8x32_quarter_1(in, temp);
+  idct32_full_8x32_quarter_2(in, &temp[8]);
+  add_sub_butterfly(temp, out, 16);
+}
+
+static void idct32_full_8x32(const __m128i *in /*in[32]*/,
+                             __m128i *out /*out[32]*/) {
+  __m128i temp[32];
+  idct32_full_8x32_quarter_1_2(in, temp);
+  idct32_full_8x32_quarter_3_4(in, &temp[16]);
+  add_sub_butterfly(temp, out, 32);
 }
 
 static void load_buffer_8x32(const tran_low_t *input, __m128i *in) {
@@ -1473,7 +1314,7 @@ void vpx_idct32x32_1024_add_ssse3(const tran_low_t *input, uint8_t *dest,
     array_transpose_8x8(in + 16, in + 16);
     array_transpose_8x8(in + 24, in + 24);
 
-    idct32_8x32(in, col + (i << 5));
+    idct32_full_8x32(in, col + (i << 5));
   }
 
   // columns
@@ -1485,7 +1326,7 @@ void vpx_idct32x32_1024_add_ssse3(const tran_low_t *input, uint8_t *dest,
     array_transpose_8x8(col + j + 64, in + 16);
     array_transpose_8x8(col + j + 96, in + 24);
 
-    idct32_8x32(in, in);
+    idct32_full_8x32(in, in);
     store_buffer_8x32(in, dest, stride);
     dest += 8;
   }