Commit ebf7466c authored by Parag Salasakar's avatar Parag Salasakar
Browse files

mips msa vp9 updated convolve horiz, vert, hv, copy, avg module

Updated sources according to improved version of common MSA macros.
Enabled respective convolve MSA hooks and tests.
Overall, this is just upgrading the code with styling changes.

Change-Id: If5ad6ef8ea7ca47feed6d2fc9f34f0f0e8b6694d
parent cf1c0ebc
......@@ -1815,8 +1815,7 @@ INSTANTIATE_TEST_CASE_P(DSPR2, ConvolveTest, ::testing::Values(
make_tuple(64, 64, &convolve8_dspr2)));
#endif
#if 0 // HAVE_MSA
// TODO(parag): enable when function hooks are added
#if HAVE_MSA
const ConvolveFunctions convolve8_msa(
vp9_convolve_copy_msa, vp9_convolve_avg_msa,
vp9_convolve8_horiz_msa, vp9_convolve8_avg_horiz_c,
......
This diff is collapsed.
......@@ -19,46 +19,35 @@ static void avg_width4_msa(const uint8_t *src, int32_t src_stride,
if (0 == (height % 4)) {
for (cnt = (height / 4); cnt--;) {
LOAD_4VECS_UB(src, src_stride, src0, src1, src2, src3);
LD_UB4(src, src_stride, src0, src1, src2, src3);
src += (4 * src_stride);
LOAD_4VECS_UB(dst, dst_stride, dst0, dst1, dst2, dst3);
LD_UB4(dst, dst_stride, dst0, dst1, dst2, dst3);
dst0 = __msa_aver_u_b(src0, dst0);
dst1 = __msa_aver_u_b(src1, dst1);
dst2 = __msa_aver_u_b(src2, dst2);
dst3 = __msa_aver_u_b(src3, dst3);
AVER_UB4_UB(src0, dst0, src1, dst1, src2, dst2, src3, dst3,
dst0, dst1, dst2, dst3);
out0 = __msa_copy_u_w((v4i32)dst0, 0);
out1 = __msa_copy_u_w((v4i32)dst1, 0);
out2 = __msa_copy_u_w((v4i32)dst2, 0);
out3 = __msa_copy_u_w((v4i32)dst3, 0);
STORE_WORD(dst, out0);
dst += dst_stride;
STORE_WORD(dst, out1);
dst += dst_stride;
STORE_WORD(dst, out2);
dst += dst_stride;
STORE_WORD(dst, out3);
dst += dst_stride;
SW4(out0, out1, out2, out3, dst, dst_stride);
dst += (4 * dst_stride);
}
} else if (0 == (height % 2)) {
for (cnt = (height / 2); cnt--;) {
LOAD_2VECS_UB(src, src_stride, src0, src1);
LD_UB2(src, src_stride, src0, src1);
src += (2 * src_stride);
LOAD_2VECS_UB(dst, dst_stride, dst0, dst1);
LD_UB2(dst, dst_stride, dst0, dst1);
dst0 = __msa_aver_u_b(src0, dst0);
dst1 = __msa_aver_u_b(src1, dst1);
AVER_UB2_UB(src0, dst0, src1, dst1, dst0, dst1);
out0 = __msa_copy_u_w((v4i32)dst0, 0);
out1 = __msa_copy_u_w((v4i32)dst1, 0);
STORE_WORD(dst, out0);
SW(out0, dst);
dst += dst_stride;
STORE_WORD(dst, out1);
SW(out1, dst);
dst += dst_stride;
}
}
......@@ -72,29 +61,19 @@ static void avg_width8_msa(const uint8_t *src, int32_t src_stride,
v16u8 dst0, dst1, dst2, dst3;
for (cnt = (height / 4); cnt--;) {
LOAD_4VECS_UB(src, src_stride, src0, src1, src2, src3);
LD_UB4(src, src_stride, src0, src1, src2, src3);
src += (4 * src_stride);
LD_UB4(dst, dst_stride, dst0, dst1, dst2, dst3);
LOAD_4VECS_UB(dst, dst_stride, dst0, dst1, dst2, dst3);
dst0 = __msa_aver_u_b(src0, dst0);
dst1 = __msa_aver_u_b(src1, dst1);
dst2 = __msa_aver_u_b(src2, dst2);
dst3 = __msa_aver_u_b(src3, dst3);
AVER_UB4_UB(src0, dst0, src1, dst1, src2, dst2, src3, dst3,
dst0, dst1, dst2, dst3);
out0 = __msa_copy_u_d((v2i64)dst0, 0);
out1 = __msa_copy_u_d((v2i64)dst1, 0);
out2 = __msa_copy_u_d((v2i64)dst2, 0);
out3 = __msa_copy_u_d((v2i64)dst3, 0);
STORE_DWORD(dst, out0);
dst += dst_stride;
STORE_DWORD(dst, out1);
dst += dst_stride;
STORE_DWORD(dst, out2);
dst += dst_stride;
STORE_DWORD(dst, out3);
dst += dst_stride;
SD4(out0, out1, out2, out3, dst, dst_stride);
dst += (4 * dst_stride);
}
}
......@@ -105,24 +84,15 @@ static void avg_width16_msa(const uint8_t *src, int32_t src_stride,
v16u8 dst0, dst1, dst2, dst3, dst4, dst5, dst6, dst7;
for (cnt = (height / 8); cnt--;) {
LOAD_8VECS_UB(src, src_stride,
src0, src1, src2, src3, src4, src5, src6, src7);
LD_UB8(src, src_stride, src0, src1, src2, src3, src4, src5, src6, src7);
src += (8 * src_stride);
LD_UB8(dst, dst_stride, dst0, dst1, dst2, dst3, dst4, dst5, dst6, dst7);
LOAD_8VECS_UB(dst, dst_stride,
dst0, dst1, dst2, dst3, dst4, dst5, dst6, dst7);
dst0 = __msa_aver_u_b(src0, dst0);
dst1 = __msa_aver_u_b(src1, dst1);
dst2 = __msa_aver_u_b(src2, dst2);
dst3 = __msa_aver_u_b(src3, dst3);
dst4 = __msa_aver_u_b(src4, dst4);
dst5 = __msa_aver_u_b(src5, dst5);
dst6 = __msa_aver_u_b(src6, dst6);
dst7 = __msa_aver_u_b(src7, dst7);
STORE_8VECS_UB(dst, dst_stride,
dst0, dst1, dst2, dst3, dst4, dst5, dst6, dst7);
AVER_UB4_UB(src0, dst0, src1, dst1, src2, dst2, src3, dst3,
dst0, dst1, dst2, dst3);
AVER_UB4_UB(src4, dst4, src5, dst5, src6, dst6, src7, dst7,
dst4, dst5, dst6, dst7);
ST_UB8(dst0, dst1, dst2, dst3, dst4, dst5, dst6, dst7, dst, dst_stride);
dst += (8 * dst_stride);
}
}
......@@ -137,99 +107,34 @@ static void avg_width32_msa(const uint8_t *src, int32_t src_stride,
v16u8 dst8, dst9, dst10, dst11, dst12, dst13, dst14, dst15;
for (cnt = (height / 8); cnt--;) {
src0 = LOAD_UB(src);
src1 = LOAD_UB(src + 16);
src += src_stride;
src2 = LOAD_UB(src);
src3 = LOAD_UB(src + 16);
src += src_stride;
src4 = LOAD_UB(src);
src5 = LOAD_UB(src + 16);
src += src_stride;
src6 = LOAD_UB(src);
src7 = LOAD_UB(src + 16);
src += src_stride;
dst0 = LOAD_UB(dst_dup);
dst1 = LOAD_UB(dst_dup + 16);
dst_dup += dst_stride;
dst2 = LOAD_UB(dst_dup);
dst3 = LOAD_UB(dst_dup + 16);
dst_dup += dst_stride;
dst4 = LOAD_UB(dst_dup);
dst5 = LOAD_UB(dst_dup + 16);
dst_dup += dst_stride;
dst6 = LOAD_UB(dst_dup);
dst7 = LOAD_UB(dst_dup + 16);
dst_dup += dst_stride;
src8 = LOAD_UB(src);
src9 = LOAD_UB(src + 16);
src += src_stride;
src10 = LOAD_UB(src);
src11 = LOAD_UB(src + 16);
src += src_stride;
src12 = LOAD_UB(src);
src13 = LOAD_UB(src + 16);
src += src_stride;
src14 = LOAD_UB(src);
src15 = LOAD_UB(src + 16);
src += src_stride;
dst8 = LOAD_UB(dst_dup);
dst9 = LOAD_UB(dst_dup + 16);
dst_dup += dst_stride;
dst10 = LOAD_UB(dst_dup);
dst11 = LOAD_UB(dst_dup + 16);
dst_dup += dst_stride;
dst12 = LOAD_UB(dst_dup);
dst13 = LOAD_UB(dst_dup + 16);
dst_dup += dst_stride;
dst14 = LOAD_UB(dst_dup);
dst15 = LOAD_UB(dst_dup + 16);
dst_dup += dst_stride;
dst0 = __msa_aver_u_b(src0, dst0);
dst1 = __msa_aver_u_b(src1, dst1);
dst2 = __msa_aver_u_b(src2, dst2);
dst3 = __msa_aver_u_b(src3, dst3);
dst4 = __msa_aver_u_b(src4, dst4);
dst5 = __msa_aver_u_b(src5, dst5);
dst6 = __msa_aver_u_b(src6, dst6);
dst7 = __msa_aver_u_b(src7, dst7);
dst8 = __msa_aver_u_b(src8, dst8);
dst9 = __msa_aver_u_b(src9, dst9);
dst10 = __msa_aver_u_b(src10, dst10);
dst11 = __msa_aver_u_b(src11, dst11);
dst12 = __msa_aver_u_b(src12, dst12);
dst13 = __msa_aver_u_b(src13, dst13);
dst14 = __msa_aver_u_b(src14, dst14);
dst15 = __msa_aver_u_b(src15, dst15);
STORE_UB(dst0, dst);
STORE_UB(dst1, dst + 16);
dst += dst_stride;
STORE_UB(dst2, dst);
STORE_UB(dst3, dst + 16);
dst += dst_stride;
STORE_UB(dst4, dst);
STORE_UB(dst5, dst + 16);
dst += dst_stride;
STORE_UB(dst6, dst);
STORE_UB(dst7, dst + 16);
dst += dst_stride;
STORE_UB(dst8, dst);
STORE_UB(dst9, dst + 16);
dst += dst_stride;
STORE_UB(dst10, dst);
STORE_UB(dst11, dst + 16);
dst += dst_stride;
STORE_UB(dst12, dst);
STORE_UB(dst13, dst + 16);
dst += dst_stride;
STORE_UB(dst14, dst);
STORE_UB(dst15, dst + 16);
dst += dst_stride;
LD_UB4(src, src_stride, src0, src2, src4, src6);
LD_UB4(src + 16, src_stride, src1, src3, src5, src7);
src += (4 * src_stride);
LD_UB4(dst_dup, dst_stride, dst0, dst2, dst4, dst6);
LD_UB4(dst_dup + 16, dst_stride, dst1, dst3, dst5, dst7);
dst_dup += (4 * dst_stride);
LD_UB4(src, src_stride, src8, src10, src12, src14);
LD_UB4(src + 16, src_stride, src9, src11, src13, src15);
src += (4 * src_stride);
LD_UB4(dst_dup, dst_stride, dst8, dst10, dst12, dst14);
LD_UB4(dst_dup + 16, dst_stride, dst9, dst11, dst13, dst15);
dst_dup += (4 * dst_stride);
AVER_UB4_UB(src0, dst0, src1, dst1, src2, dst2, src3, dst3,
dst0, dst1, dst2, dst3);
AVER_UB4_UB(src4, dst4, src5, dst5, src6, dst6, src7, dst7,
dst4, dst5, dst6, dst7);
AVER_UB4_UB(src8, dst8, src9, dst9, src10, dst10, src11, dst11,
dst8, dst9, dst10, dst11);
AVER_UB4_UB(src12, dst12, src13, dst13, src14, dst14, src15, dst15,
dst12, dst13, dst14, dst15);
ST_UB4(dst0, dst2, dst4, dst6, dst, dst_stride);
ST_UB4(dst1, dst3, dst5, dst7, dst + 16, dst_stride);
dst += (4 * dst_stride);
ST_UB4(dst8, dst10, dst12, dst14, dst, dst_stride);
ST_UB4(dst9, dst11, dst13, dst15, dst + 16, dst_stride);
dst += (4 * dst_stride);
}
}
......@@ -243,48 +148,40 @@ static void avg_width64_msa(const uint8_t *src, int32_t src_stride,
v16u8 dst8, dst9, dst10, dst11, dst12, dst13, dst14, dst15;
for (cnt = (height / 4); cnt--;) {
LOAD_4VECS_UB(src, 16, src0, src1, src2, src3);
LD_UB4(src, 16, src0, src1, src2, src3);
src += src_stride;
LOAD_4VECS_UB(src, 16, src4, src5, src6, src7);
LD_UB4(src, 16, src4, src5, src6, src7);
src += src_stride;
LOAD_4VECS_UB(src, 16, src8, src9, src10, src11);
LD_UB4(src, 16, src8, src9, src10, src11);
src += src_stride;
LOAD_4VECS_UB(src, 16, src12, src13, src14, src15);
LD_UB4(src, 16, src12, src13, src14, src15);
src += src_stride;
LOAD_4VECS_UB(dst_dup, 16, dst0, dst1, dst2, dst3);
LD_UB4(dst_dup, 16, dst0, dst1, dst2, dst3);
dst_dup += dst_stride;
LOAD_4VECS_UB(dst_dup, 16, dst4, dst5, dst6, dst7);
LD_UB4(dst_dup, 16, dst4, dst5, dst6, dst7);
dst_dup += dst_stride;
LOAD_4VECS_UB(dst_dup, 16, dst8, dst9, dst10, dst11);
LD_UB4(dst_dup, 16, dst8, dst9, dst10, dst11);
dst_dup += dst_stride;
LOAD_4VECS_UB(dst_dup, 16, dst12, dst13, dst14, dst15);
LD_UB4(dst_dup, 16, dst12, dst13, dst14, dst15);
dst_dup += dst_stride;
dst0 = __msa_aver_u_b(src0, dst0);
dst1 = __msa_aver_u_b(src1, dst1);
dst2 = __msa_aver_u_b(src2, dst2);
dst3 = __msa_aver_u_b(src3, dst3);
dst4 = __msa_aver_u_b(src4, dst4);
dst5 = __msa_aver_u_b(src5, dst5);
dst6 = __msa_aver_u_b(src6, dst6);
dst7 = __msa_aver_u_b(src7, dst7);
dst8 = __msa_aver_u_b(src8, dst8);
dst9 = __msa_aver_u_b(src9, dst9);
dst10 = __msa_aver_u_b(src10, dst10);
dst11 = __msa_aver_u_b(src11, dst11);
dst12 = __msa_aver_u_b(src12, dst12);
dst13 = __msa_aver_u_b(src13, dst13);
dst14 = __msa_aver_u_b(src14, dst14);
dst15 = __msa_aver_u_b(src15, dst15);
AVER_UB4_UB(src0, dst0, src1, dst1, src2, dst2, src3, dst3,
dst0, dst1, dst2, dst3);
AVER_UB4_UB(src4, dst4, src5, dst5, src6, dst6, src7, dst7,
dst4, dst5, dst6, dst7);
AVER_UB4_UB(src8, dst8, src9, dst9, src10, dst10, src11, dst11,
dst8, dst9, dst10, dst11);
AVER_UB4_UB(src12, dst12, src13, dst13, src14, dst14, src15, dst15,
dst12, dst13, dst14, dst15);
STORE_4VECS_UB(dst, 16, dst0, dst1, dst2, dst3);
ST_UB4(dst0, dst1, dst2, dst3, dst, 16);
dst += dst_stride;
STORE_4VECS_UB(dst, 16, dst4, dst5, dst6, dst7);
ST_UB4(dst4, dst5, dst6, dst7, dst, 16);
dst += dst_stride;
STORE_4VECS_UB(dst, 16, dst8, dst9, dst10, dst11);
ST_UB4(dst8, dst9, dst10, dst11, dst, 16);
dst += dst_stride;
STORE_4VECS_UB(dst, 16, dst12, dst13, dst14, dst15);
ST_UB4(dst12, dst13, dst14, dst15, dst, 16);
dst += dst_stride;
}
}
......
......@@ -12,16 +12,14 @@
#include "vp9/common/mips/msa/vp9_macros_msa.h"
static void copy_width8_msa(const uint8_t *src, int32_t src_stride,
uint8_t *dst, int32_t dst_stride,
int32_t height) {
uint8_t *dst, int32_t dst_stride, int32_t height) {
int32_t cnt;
uint64_t out0, out1, out2, out3, out4, out5, out6, out7;
v16u8 src0, src1, src2, src3, src4, src5, src6, src7;
if (0 == height % 12) {
for (cnt = (height / 12); cnt--;) {
LOAD_8VECS_UB(src, src_stride,
src0, src1, src2, src3, src4, src5, src6, src7);
LD_UB8(src, src_stride, src0, src1, src2, src3, src4, src5, src6, src7);
src += (8 * src_stride);
out0 = __msa_copy_u_d((v2i64)src0, 0);
......@@ -33,44 +31,24 @@ static void copy_width8_msa(const uint8_t *src, int32_t src_stride,
out6 = __msa_copy_u_d((v2i64)src6, 0);
out7 = __msa_copy_u_d((v2i64)src7, 0);
STORE_DWORD(dst, out0);
dst += dst_stride;
STORE_DWORD(dst, out1);
dst += dst_stride;
STORE_DWORD(dst, out2);
dst += dst_stride;
STORE_DWORD(dst, out3);
dst += dst_stride;
STORE_DWORD(dst, out4);
dst += dst_stride;
STORE_DWORD(dst, out5);
dst += dst_stride;
STORE_DWORD(dst, out6);
dst += dst_stride;
STORE_DWORD(dst, out7);
dst += dst_stride;
SD4(out0, out1, out2, out3, dst, dst_stride);
dst += (4 * dst_stride);
SD4(out4, out5, out6, out7, dst, dst_stride);
dst += (4 * dst_stride);
LOAD_4VECS_UB(src, src_stride, src0, src1, src2, src3);
LD_UB4(src, src_stride, src0, src1, src2, src3);
src += (4 * src_stride);
out0 = __msa_copy_u_d((v2i64)src0, 0);
out1 = __msa_copy_u_d((v2i64)src1, 0);
out2 = __msa_copy_u_d((v2i64)src2, 0);
out3 = __msa_copy_u_d((v2i64)src3, 0);
STORE_DWORD(dst, out0);
dst += dst_stride;
STORE_DWORD(dst, out1);
dst += dst_stride;
STORE_DWORD(dst, out2);
dst += dst_stride;
STORE_DWORD(dst, out3);
dst += dst_stride;
SD4(out0, out1, out2, out3, dst, dst_stride);
dst += (4 * dst_stride);
}
} else if (0 == height % 8) {
for (cnt = height >> 3; cnt--;) {
LOAD_8VECS_UB(src, src_stride,
src0, src1, src2, src3, src4, src5, src6, src7);
LD_UB8(src, src_stride, src0, src1, src2, src3, src4, src5, src6, src7);
src += (8 * src_stride);
out0 = __msa_copy_u_d((v2i64)src0, 0);
......@@ -82,53 +60,33 @@ static void copy_width8_msa(const uint8_t *src, int32_t src_stride,
out6 = __msa_copy_u_d((v2i64)src6, 0);
out7 = __msa_copy_u_d((v2i64)src7, 0);
STORE_DWORD(dst, out0);
dst += dst_stride;
STORE_DWORD(dst, out1);
dst += dst_stride;
STORE_DWORD(dst, out2);
dst += dst_stride;
STORE_DWORD(dst, out3);
dst += dst_stride;
STORE_DWORD(dst, out4);
dst += dst_stride;
STORE_DWORD(dst, out5);
dst += dst_stride;
STORE_DWORD(dst, out6);
dst += dst_stride;
STORE_DWORD(dst, out7);
dst += dst_stride;
SD4(out0, out1, out2, out3, dst, dst_stride);
dst += (4 * dst_stride);
SD4(out4, out5, out6, out7, dst, dst_stride);
dst += (4 * dst_stride);
}
} else if (0 == height % 4) {
for (cnt = (height / 4); cnt--;) {
LOAD_4VECS_UB(src, src_stride, src0, src1, src2, src3);
LD_UB4(src, src_stride, src0, src1, src2, src3);
src += (4 * src_stride);
out0 = __msa_copy_u_d((v2i64)src0, 0);
out1 = __msa_copy_u_d((v2i64)src1, 0);
out2 = __msa_copy_u_d((v2i64)src2, 0);
out3 = __msa_copy_u_d((v2i64)src3, 0);
STORE_DWORD(dst, out0);
dst += dst_stride;
STORE_DWORD(dst, out1);
dst += dst_stride;
STORE_DWORD(dst, out2);
dst += dst_stride;
STORE_DWORD(dst, out3);
dst += dst_stride;
SD4(out0, out1, out2, out3, dst, dst_stride);
dst += (4 * dst_stride);
}
} else if (0 == height % 2) {
for (cnt = (height / 2); cnt--;) {
LOAD_2VECS_UB(src, src_stride, src0, src1);
LD_UB2(src, src_stride, src0, src1);
src += (2 * src_stride);
out0 = __msa_copy_u_d((v2i64)src0, 0);
out1 = __msa_copy_u_d((v2i64)src1, 0);
STORE_DWORD(dst, out0);
SD(out0, dst);
dst += dst_stride;
STORE_DWORD(dst, out1);
SD(out1, dst);
dst += dst_stride;
}
}
......@@ -147,12 +105,12 @@ static void copy_16multx8mult_msa(const uint8_t *src, int32_t src_stride,
dst_tmp = dst;
for (loop_cnt = (height >> 3); loop_cnt--;) {
LOAD_8VECS_UB(src_tmp, src_stride,
src0, src1, src2, src3, src4, src5, src6, src7);
LD_UB8(src_tmp, src_stride,
src0, src1, src2, src3, src4, src5, src6, src7);
src_tmp += (8 * src_stride);
STORE_8VECS_UB(dst_tmp, dst_stride,
src0, src1, src2, src3, src4, src5, src6, src7);
ST_UB8(src0, src1, src2, src3, src4, src5, src6, src7,
dst_tmp, dst_stride);
dst_tmp += (8 * dst_stride);
}
......@@ -162,90 +120,79 @@ static void copy_16multx8mult_msa(const uint8_t *src, int32_t src_stride,
}
static void copy_width16_msa(const uint8_t *src, int32_t src_stride,
uint8_t *dst, int32_t dst_stride,
int32_t height) {
uint8_t *dst, int32_t dst_stride, int32_t height) {
int32_t cnt;
v16u8 src0, src1, src2, src3, src4, src5, src6, src7;
if (0 == height % 12) {
for (cnt = (height / 12); cnt--;) {
LOAD_8VECS_UB(src, src_stride,
src0, src1, src2, src3, src4, src5, src6, src7);
LD_UB8(src, src_stride, src0, src1, src2, src3, src4, src5, src6, src7);
src += (8 * src_stride);
STORE_8VECS_UB(dst, dst_stride,
src0, src1, src2, src3, src4, src5, src6, src7);
ST_UB8(src0, src1, src2, src3, src4, src5, src6, src7, dst, dst_stride);
dst += (8 * dst_stride);
LOAD_4VECS_UB(src, src_stride, src0, src1, src2, src3);
LD_UB4(src, src_stride, src0, src1, src2, src3);
src += (4 * src_stride);
STORE_4VECS_UB(dst, dst_stride, src0, src1, src2, src3);
ST_UB4(src0, src1, src2, src3, dst, dst_stride);
dst += (4 * dst_stride);
}
} else if (0 == height % 8) {
copy_16multx8mult_msa(src, src_stride, dst, dst_stride, height, 16);
} else if (0 == height % 4) {
for (cnt = (height >> 2); cnt--;) {
LOAD_4VECS_UB(src, src_stride, src0, src1, src2, src3);
LD_UB4(src, src_stride, src0, src1, src2, src3);
src += (4 * src_stride);
STORE_4VECS_UB(dst, dst_stride, src0, src1, src2, src3);
ST_UB4(src0, src1, src2, src3, dst, dst_stride);
dst += (4 * dst_stride);
}
}
}
static void copy_width32_msa(const uint8_t *src, int32_t src_stride,
uint8_t *dst, int32_t dst_stride,
int32_t height) {
uint8_t *dst, int32_t dst_stride, int32_t height) {
int32_t cnt;
v16u8 src0, src1, src2, src3, src4, src5, src6, src7;
if (0 == height % 12) {
for (cnt = (height / 12); cnt--;) {
LOAD_4VECS_UB(src, src_stride, src0, src1, src2, src3);
LOAD_4VECS_UB(src + 16, src_stride, src4, src5, src6, src7);
LD_UB4(src, src_stride, src0, src1, src2, src3);
LD_UB4(src + 16, src_stride, src4, src5, src6, src7);
src += (4 * src_stride);
STORE_4VECS_UB(dst, dst_stride, src0, src1, src2, src3);
STORE_4VECS_UB(dst + 16, dst_stride, src4, src5, src6, src7);
ST_UB4(src0, src1, src2, src3, dst, dst_stride);
ST_UB4(src4, src5, src6, src7, dst + 16, dst_stride);
dst += (4 * dst_stride);
LOAD_4VECS_UB(src, src_stride, src0, src1, src2, src3);
LOAD_4VECS_UB(src + 16, src_stride, src4, src5, src6, src7);
LD_UB4(src, src_stride, src0, src1, src2, src3);
LD_UB4(src + 16, src_stride, src4, src5, src6, src7);
src += (4 * src_stride);
STORE_4VECS_UB(dst, dst_stride, src0, src1, src2, src3);
STORE_4VECS_UB(dst + 16, dst_stride, src4, src5, src6, src7);
ST_UB4(src0, src1, src2, src3, dst, dst_stride);
ST_UB4(src4, src5, src6, src7, dst + 16, dst_stride);
dst += (4 * dst_stride);
LOAD_4VECS_UB(src, src_stride, src0, src1, src2, src3);
LOAD_4VECS_UB(src + 16, src_stride, src4, src5, src6, src7);
LD_UB4(src, src_stride, src0, src1, src2, src3);
LD_UB4(src + 16, src_stride, src4, src5, src6, src7);