如何使用SIMD指令使预乘alpha功能更快？

Question

我正在寻找一些SSE / AVX建议，以优化将RGB通道与其alpha通道预乘的例程：RGB * alpha / 255（+我们保留原始的alpha通道）。

    for (int i = 0, max = width * height * 4; i < max; i+=4) {
        data[i] = static_cast<uint16_t>(data[i] * data[i+3]) / 255;
        data[i+1] = static_cast<uint16_t>(data[i+1] * data[i+3]) / 255;
        data[i+2] = static_cast<uint16_t>(data[i+2] * data[i+3]) / 255;
    }

您会在我当前的实现下面找到它，但是我认为它可能会更快，而且我正在浪费宝贵的CPU周期。我在quick-bench.com上进行了测试，结果显示出令人鼓舞的效果，但是我应该做些什么改变才能使其快速发展呢？

谢谢

--------更新09/06/2019 --------

根据@chtz和@Peter Cordes的评论，我建立了一个存储库来评估不同的解决方案，这里是结果。您认为会更好吗？

Run on (8 X 3100 MHz CPU s)
CPU Caches:
  L1 Data 32K (x4)
  L1 Instruction 32K (x4)
  L2 Unified 262K (x4)
  L3 Unified 8388K (x1)
Load Average: 1.24, 1.60, 1.68
-----------------------------------------------------------------------------
Benchmark                   Time             CPU   Iterations UserCounters...
-----------------------------------------------------------------------------
v1_plain_mean         1189884 ns      1189573 ns         1000 itr=840.865/s
v1_plain_median       1184059 ns      1183786 ns         1000 itr=844.747/s
v1_plain_stddev         20575 ns        20166 ns         1000 itr=13.4227/s

v1_simd_x86_mean       297866 ns       297784 ns         1000 itr=3.3616k/s
v1_simd_x86_median     294995 ns       294927 ns         1000 itr=3.39067k/s
v1_simd_x86_stddev       9863 ns         9794 ns         1000 itr=105.51/s

Thanks Dot and Beached (discord #include)
v2_plain_mean          323541 ns       323451 ns         1000 itr=3.09678k/s
v2_plain_median        318932 ns       318855 ns         1000 itr=3.13623k/s
v2_plain_stddev         13598 ns        13542 ns         1000 itr=122.588/s

Thanks Peter Cordes (stackoverflow)
v3_simd_x86_mean       264323 ns       264247 ns         1000 itr=3.79233k/s
v3_simd_x86_median     260641 ns       260560 ns         1000 itr=3.83788k/s
v3_simd_x86_stddev      12466 ns        12422 ns         1000 itr=170.36/s

Thanks chtz (stackoverflow)
v4_simd_x86_mean       266174 ns       266109 ns         1000 itr=3.76502k/s
v4_simd_x86_median     262940 ns       262916 ns         1000 itr=3.8035k/s
v4_simd_x86_stddev      11993 ns        11962 ns         1000 itr=159.906/s

--------更新10/06/2019 --------

我添加了AVX2版本，并使用了chtz的技巧。使用255作为color_odd中的alpha值，我能够删除_mm_blendv_epi8和改进基准。

谢谢彼得和赫兹

v3_simd_x86_mean       246171 ns       246107 ns          100 itr=4.06517k/s
v3_simd_x86_median     245191 ns       245167 ns          100 itr=4.07885k/s
v3_simd_x86_stddev       5423 ns         5406 ns          100 itr=87.13/s

// AVX2
v5_simd_x86_mean       158456 ns       158409 ns          100 itr=6.31411k/s
v5_simd_x86_median     158248 ns       158165 ns          100 itr=6.3225k/s
v5_simd_x86_stddev       2340 ns         2329 ns          100 itr=92.1406/s

Answer 1

如果可以，您可以使用 SSSE3， _mm_shuffle_epi8让您创建__m128i alpha向量，而不是 AND/shift/OR。

pshufb将设置洗牌控制向量元素的高位的字节为零。（随机播放吞吐量很容易成为 Intel Haswell 及更高版本的瓶颈，因此使用立即移位或 AND 对于其他操作仍然有好处，您可以使用一条指令完成它。）

pblendvb在 Skylake 及更高版本上，使用 SSE4.1合并 alpha 而不是 AND/ANDN/OR可能是一种胜利。（在 Haswell 上，2 个 uopspblendvb只能在端口 5 上运行。这实际上可能没问题，因为有足够的其他 uops，这不会造成 shuffle 瓶颈。）

在 Skylake 上，非 VEXpblendvb是在任何端口上运行的单微指令指令。（VEX 版本对于任何端口都是 2 uops，所以它仍然严格优于 AND/ANDN/OR，但不如 SSE 版本。虽然 SSE 版本使用隐式 XMM0 输入，所以它需要额外的指令，除非您movdqa的循环仅使用pblendvb相同的混合蒙版。或者如果您展开，那么它可能可以分摊movdqa设置 XMM0。）

另外，_mm_srli_epi16到 7 时，and_mm_slli_epi16(color_odd, 8)可能只是一个班次，可能还有一个 AND。或者pblendvb避免像 OR 之前那样清除垃圾。

我不确定你是否可以使用_mm_mulhrs_epi16乘法和移位，但可能不行。这不是正确的转变，并且+1“四舍五入”也不是您想要的。

显然，AVX2 版本的每条指令可以完成两倍的工作量，为主循环在 Haswell / Skylake 上提供 2 倍的加速。在 Ryzen 上可能有些中性，其中 256b 指令解码为 2 uop。（或者更多用于穿越车道的洗牌，但你没有这些。）

最坏的情况下，清理工作必须运行更多次，但这仍然可以忽略不计。