git.sesse.net Git - ffmpeg/blob - libavcodec/aarch64/vp9lpf_neon.S

   1 /*
   2  * Copyright (c) 2016 Google Inc.
   3  *
   4  * This file is part of FFmpeg.
   5  *
   6  * FFmpeg is free software; you can redistribute it and/or
   7  * modify it under the terms of the GNU Lesser General Public
   8  * License as published by the Free Software Foundation; either
   9  * version 2.1 of the License, or (at your option) any later version.
  10  *
  11  * FFmpeg is distributed in the hope that it will be useful,
  12  * but WITHOUT ANY WARRANTY; without even the implied warranty of
  13  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  14  * Lesser General Public License for more details.
  15  *
  16  * You should have received a copy of the GNU Lesser General Public
  17  * License along with FFmpeg; if not, write to the Free Software
  18  * Foundation, Inc., 51 Franklin Street, Fifth Floor, Boston, MA 02110-1301 USA
  19  */
  20
  21 #include "libavutil/aarch64/asm.S"
  22 #include "neon.S"
  23
  24
  25 // The main loop filter macro is templated and can produce filters for
  26 // vectors of 8 or 16 bytes. The register mapping throughout the filter
  27 // is close to identical to the arm version (please try to maintain this,
  28 // if either is changed!). When the arm version uses e.g. d20 for the
  29 // input variable p3, the aarch64 version uses v20.8b or v20.16b, depending
  30 // on vector length.
  31 //
  32 // The number of elements in the vector is passed in via the macro parameter
  33 // \sz, which is either .8b or .16b. For simple instructions that doesn't
  34 // lengthen or narrow things, this can easily be templated like this:
  35 //      uabd            v4\sz,  v20\sz, v21\sz
  36 //
  37 // For instructions that lengthen or narrow content, the arm version would
  38 // have used q registers. For these instructions, we have macros that expand
  39 // into either a single e.g. uaddl instruction, or into a uaddl + uaddl2
  40 // pair, depending on the \sz parameter. Wherever the arm version would have
  41 // used a q register, these macros instead take two v registers, i.e. q3
  42 // is mapped to v6+v7. For the case with 8 byte input vectors, such a
  43 // lengthening operation is only stored in v6.8h (what was in q3 in the arm
  44 // case), while the 16 byte input vectors will use v6.8h + v7.8h.
  45 // Such a macro invocation would look like this:
  46 //      uaddl_sz        v8.8h,  v9.8h,  v17, v18, \sz
  47 //
  48 // That is, in the 8 byte input vector case, the second register in these
  49 // register pairs will be unused.
  50 // Unfortunately, this makes the code quite hard to read. For readability,
  51 // see the arm version instead.
  52
  53
  54 .macro uabdl_sz dst1, dst2, in1, in2, sz
  55         uabdl           \dst1,  \in1\().8b,  \in2\().8b
  56 .ifc \sz, .16b
  57         uabdl2          \dst2,  \in1\().16b, \in2\().16b
  58 .endif
  59 .endm
  60
  61 .macro add_sz dst1, dst2, in1, in2, in3, in4, sz
  62         add             \dst1,  \in1,  \in3
  63 .ifc \sz, .16b
  64         add             \dst2,  \in2,  \in4
  65 .endif
  66 .endm
  67
  68 .macro sub_sz dst1, dst2, in1, in2, in3, in4, sz
  69         sub             \dst1,  \in1,  \in3
  70 .ifc \sz, .16b
  71         sub             \dst2,  \in2,  \in4
  72 .endif
  73 .endm
  74
  75 .macro uaddw_sz dst1, dst2, in1, in2, in3, sz
  76         uaddw           \dst1,  \in1, \in3\().8b
  77 .ifc \sz, .16b
  78         uaddw2          \dst2,  \in2, \in3\().16b
  79 .endif
  80 .endm
  81
  82 .macro usubw_sz dst1, dst2, in1, in2, in3, sz
  83         usubw           \dst1,  \in1, \in3\().8b
  84 .ifc \sz, .16b
  85         usubw2          \dst2,  \in2, \in3\().16b
  86 .endif
  87 .endm
  88
  89 .macro cmhs_sz dst1, dst2, in1, in2, in3, in4, sz
  90         cmhs            \dst1,  \in1,  \in3
  91 .ifc \sz, .16b
  92         cmhs            \dst2,  \in2,  \in4
  93 .endif
  94 .endm
  95
  96 .macro xtn_sz dst, in1, in2, sz
  97         xtn             \dst\().8b,  \in1
  98 .ifc \sz, .16b
  99         xtn2            \dst\().16b, \in2
 100 .endif
 101 .endm
 102
 103 .macro usubl_sz dst1, dst2, in1, in2, sz
 104         usubl           \dst1,  \in1\().8b,  \in2\().8b
 105 .ifc \sz, .16b
 106         usubl2          \dst2,  \in1\().16b, \in2\().16b
 107 .endif
 108 .endm
 109
 110 .macro sqxtn_sz dst, in1, in2, sz
 111         sqxtn           \dst\().8b,  \in1
 112 .ifc \sz, .16b
 113         sqxtn2          \dst\().16b, \in2
 114 .endif
 115 .endm
 116
 117 .macro sqxtun_sz dst, in1, in2, sz
 118         sqxtun          \dst\().8b,  \in1
 119 .ifc \sz, .16b
 120         sqxtun2         \dst\().16b, \in2
 121 .endif
 122 .endm
 123
 124 .macro mul_sz dst1, dst2, in1, in2, in3, in4, sz
 125         mul             \dst1,  \in1,  \in3
 126 .ifc \sz, .16b
 127         mul             \dst2,  \in2,  \in4
 128 .endif
 129 .endm
 130
 131 .macro saddw_sz dst1, dst2, in1, in2, in3, sz
 132         saddw           \dst1,  \in1, \in3\().8b
 133 .ifc \sz, .16b
 134         saddw2          \dst2,  \in2, \in3\().16b
 135 .endif
 136 .endm
 137
 138 .macro ssubw_sz dst1, dst2, in1, in2, in3, sz
 139         ssubw           \dst1,  \in1, \in3\().8b
 140 .ifc \sz, .16b
 141         ssubw2          \dst2,  \in2, \in3\().16b
 142 .endif
 143 .endm
 144
 145 .macro uxtl_sz dst1, dst2, in, sz
 146         uxtl            \dst1,  \in\().8b
 147 .ifc \sz, .16b
 148         uxtl2           \dst2,  \in\().16b
 149 .endif
 150 .endm
 151
 152 .macro uaddl_sz dst1, dst2, in1, in2, sz
 153         uaddl           \dst1,  \in1\().8b,  \in2\().8b
 154 .ifc \sz, .16b
 155         uaddl2          \dst2,  \in1\().16b, \in2\().16b
 156 .endif
 157 .endm
 158
 159 .macro rshrn_sz dst, in1, in2, shift, sz
 160         rshrn           \dst\().8b,  \in1, \shift
 161 .ifc \sz, .16b
 162         rshrn2          \dst\().16b, \in2, \shift
 163 .endif
 164 .endm
 165
 166 .macro ushll_sz dst1, dst2, in, shift, sz
 167         ushll           \dst1,  \in\().8b,  \shift
 168 .ifc \sz, .16b
 169         ushll2          \dst2,  \in\().16b, \shift
 170 .endif
 171 .endm
 172
 173 // The input to and output from this macro is in the registers v16-v31,
 174 // and v0-v7 are used as scratch registers.
 175 // p7 = v16 .. p3 = v20, p0 = v23, q0 = v24, q3 = v27, q7 = v31
 176 // Depending on the width of the loop filter, we either use v16-v19
 177 // and v28-v31 as temp registers, or v8-v15.
 178 // When comparing to the arm version, tmpq1 == tmp1 + tmp2,
 179 // tmpq2 == tmp3 + tmp4, etc.
 180 .macro loop_filter wd, sz, mix, tmp1, tmp2, tmp3, tmp4, tmp5, tmp6, tmp7, tmp8
 181 .if \mix == 0
 182         dup             v0.8h,  w2        // E
 183         dup             v1.8h,  w2        // E
 184         dup             v2\sz,  w3        // I
 185         dup             v3\sz,  w4        // H
 186 .else
 187         dup             v0.8h,  w2        // E
 188         dup             v2.8b,  w3        // I
 189         dup             v3.8b,  w4        // H
 190         lsr             w6,     w3,  #8
 191         lsr             w7,     w4,  #8
 192         ushr            v1.8h,  v0.8h, #8 // E
 193         dup             v4.8b,  w6        // I
 194         bic             v0.8h,  #255, lsl 8 // E
 195         dup             v5.8b,  w7        // H
 196         trn1            v2.2d,  v2.2d,  v4.2d
 197         trn1            v3.2d,  v3.2d,  v5.2d
 198 .endif
 199
 200         uabd            v4\sz,  v20\sz, v21\sz        // abs(p3 - p2)
 201         uabd            v5\sz,  v21\sz, v22\sz        // abs(p2 - p1)
 202         uabd            v6\sz,  v22\sz, v23\sz        // abs(p1 - p0)
 203         uabd            v7\sz,  v24\sz, v25\sz        // abs(q0 - q1)
 204         uabd            \tmp1\sz,  v25\sz, v26\sz     // abs(q1 - q2)
 205         uabd            \tmp2\sz,  v26\sz, v27\sz     // abs(q2 - q3)
 206         umax            v4\sz,  v4\sz,  v5\sz
 207         umax            v5\sz,  v6\sz,  v7\sz
 208         umax            \tmp1\sz, \tmp1\sz, \tmp2\sz
 209         uabdl_sz        v6.8h,  v7.8h,  v23, v24, \sz // abs(p0 - q0)
 210         umax            v4\sz,  v4\sz,  v5\sz
 211         add_sz          v6.8h,  v7.8h,  v6.8h,  v7.8h,  v6.8h,  v7.8h, \sz // abs(p0 - q0) * 2
 212         uabd            v5\sz,  v22\sz, v25\sz        // abs(p1 - q1)
 213         umax            v4\sz,  v4\sz,  \tmp1\sz      // max(abs(p3 - p2), ..., abs(q2 - q3))
 214         ushr            v5\sz,  v5\sz,  #1
 215         cmhs            v4\sz,  v2\sz,  v4\sz         // max(abs()) <= I
 216         uaddw_sz        v6.8h,  v7.8h,  v6.8h,  v7.8h,  v5, \sz // abs(p0 - q0) * 2 + abs(p1 - q1) >> 1
 217         cmhs_sz         v6.8h,  v7.8h,  v0.8h,  v1.8h,  v6.8h,  v7.8h, \sz
 218         xtn_sz          v5,     v6.8h,  v7.8h,  \sz
 219         and             v4\sz,  v4\sz,  v5\sz         // fm
 220
 221         // If no pixels need filtering, just exit as soon as possible
 222         mov             x5,  v4.d[0]
 223 .ifc \sz, .16b
 224         mov             x6,  v4.d[1]
 225         adds            x5,  x5,  x6
 226         b.eq            9f
 227 .else
 228         cbz             x5,  9f
 229 .endif
 230
 231 .if \wd >= 8
 232         movi            v0\sz,  #1
 233
 234         uabd            v6\sz,  v20\sz, v23\sz    // abs(p3 - p0)
 235         uabd            v2\sz,  v21\sz, v23\sz    // abs(p2 - p0)
 236         uabd            v1\sz,  v22\sz, v23\sz    // abs(p1 - p0)
 237         uabd            \tmp1\sz,  v25\sz, v24\sz // abs(q1 - q0)
 238         uabd            \tmp2\sz,  v26\sz, v24\sz // abs(q2 - q0)
 239         uabd            \tmp3\sz,  v27\sz, v24\sz // abs(q3 - q0)
 240         umax            v6\sz,  v6\sz,  v2\sz
 241         umax            v1\sz,  v1\sz,  \tmp1\sz
 242         umax            \tmp2\sz,  \tmp2\sz,  \tmp3\sz
 243 .if \wd == 16
 244         uabd            v7\sz,  v16\sz, v23\sz    // abs(p7 - p0)
 245         umax            v6\sz,  v6\sz,  v1\sz
 246         uabd            v2\sz,  v17\sz, v23\sz    // abs(p6 - p0)
 247         umax            v6\sz,  v6\sz,  \tmp2\sz
 248         uabd            v1\sz,  v18\sz, v23\sz    // abs(p5 - p0)
 249         cmhs            v6\sz,  v0\sz,  v6\sz     // flat8in
 250         uabd            v8\sz,  v19\sz, v23\sz    // abs(p4 - p0)
 251         and             v6\sz,  v6\sz,  v4\sz     // flat8in && fm
 252         uabd            v9\sz,  v28\sz, v24\sz    // abs(q4 - q0)
 253         bic             v4\sz,  v4\sz,  v6\sz     // fm && !flat8in
 254         uabd            v10\sz, v29\sz, v24\sz    // abs(q5 - q0)
 255         uabd            v11\sz, v30\sz, v24\sz    // abs(q6 - q0)
 256         uabd            v12\sz, v31\sz, v24\sz    // abs(q7 - q0)
 257
 258         umax            v7\sz,  v7\sz,  v2\sz
 259         umax            v1\sz,  v1\sz,  v8\sz
 260         umax            v9\sz,  v9\sz,  v10\sz
 261         umax            v11\sz, v11\sz, v12\sz
 262         // The rest of the calculation of flat8out is interleaved below
 263 .else
 264         // The rest of the calculation of flat8in is interleaved below
 265 .endif
 266 .endif
 267
 268         // Calculate the normal inner loop filter for 2 or 4 pixels
 269         uabd            v5\sz,  v22\sz, v23\sz // abs(p1 - p0)
 270 .if \wd == 16
 271         umax            v7\sz,  v7\sz,  v1\sz
 272         umax            v9\sz,  v9\sz,  v11\sz
 273 .elseif \wd == 8
 274         umax            v6\sz,  v6\sz,  v1\sz
 275 .endif
 276         uabd            v1\sz,  v25\sz, v24\sz // abs(q1 - q0)
 277 .if \wd == 16
 278         umax            v7\sz,  v7\sz,  v9\sz
 279 .elseif \wd == 8
 280         umax            v6\sz,  v6\sz,  \tmp2\sz
 281 .endif
 282         usubl_sz        \tmp1\().8h,  \tmp2\().8h,  v22,  v25, \sz // p1 - q1
 283         umax            v5\sz,  v5\sz,  v1\sz  // max(abs(p1 - p0), abs(q1 - q0))
 284 .if \mix != 0
 285         mov             v1.d[0], x11
 286 .endif
 287         usubl_sz        \tmp3\().8h,  \tmp4\().8h,  v24,  v23, \sz // q0 - p0
 288         movi            \tmp5\().8h,  #3
 289 .if \wd == 8
 290         cmhs            v6\sz,  v0\sz,  v6\sz  // flat8in
 291 .endif
 292 .if \mix != 0
 293         sxtl            v1.8h,  v1.8b
 294 .endif
 295         cmhi            v5\sz,  v5\sz,  v3\sz  // hev
 296 .if \wd == 8
 297         // If a 4/8 or 8/4 mix is used, clear the relevant half of v6
 298 .if \mix != 0
 299         and             v6\sz,  v6\sz,  v1.16b
 300 .endif
 301         and             v6\sz,  v6\sz,  v4\sz  // flat8in && fm
 302 .endif
 303         sqxtn_sz        \tmp1,        \tmp1\().8h,  \tmp2\().8h, \sz // av_clip_int8(p1 - q1)
 304 .if \wd == 16
 305         cmhs            v7\sz,  v0\sz,  v7\sz  // flat8out
 306 .elseif \wd == 8
 307         bic             v4\sz,  v4\sz,  v6\sz  // fm && !flat8in
 308 .endif
 309         mvn             v5\sz,  v5\sz          // !hev
 310 .if \wd == 16
 311         and             v7\sz,  v7\sz,  v6\sz  // flat8out && flat8in && fm
 312 .endif
 313         and             v5\sz,  v5\sz,  v4\sz  // !hev && fm && !flat8in
 314
 315         mul_sz          \tmp3\().8h,  \tmp4\().8h,  \tmp3\().8h, \tmp4\().8h,  \tmp5\().8h,  \tmp5\().8h, \sz // 3 * (q0 - p0)
 316         bic             \tmp1\sz,  \tmp1\sz,  v5\sz    // if (!hev) av_clip_int8 = 0
 317         movi            v2\sz,  #4
 318         saddw_sz        \tmp3\().8h,  \tmp4\().8h,  \tmp3\().8h, \tmp4\().8h,  \tmp1, \sz // 3 * (q0 - p0) [+ av_clip_int8(p1 - q1)]
 319         movi            v3\sz,  #3
 320         sqxtn_sz        \tmp1,        \tmp3\().8h,  \tmp4\().8h, \sz       // f
 321 .if \wd == 16
 322         bic             v6\sz,  v6\sz,  v7\sz  // fm && flat8in && !flat8out
 323 .endif
 324
 325         sqadd           \tmp3\sz,  \tmp1\sz,  v2\sz // FFMIN(f + 4, 127)
 326         sqadd           \tmp4\sz,  \tmp1\sz,  v3\sz // FFMIN(f + 3, 127)
 327         uxtl_sz         v0.8h,  v1.8h,  v23, \sz    // p0
 328         sshr            \tmp3\sz,  \tmp3\sz,  #3    // f1
 329         sshr            \tmp4\sz,  \tmp4\sz,  #3    // f2
 330
 331         uxtl_sz         v2.8h,  v3.8h,  v24, \sz    // q0
 332         saddw_sz        v0.8h,  v1.8h,  v0.8h,  v1.8h,  \tmp4, \sz // p0 + f2
 333         ssubw_sz        v2.8h,  v3.8h,  v2.8h,  v3.8h,  \tmp3, \sz // q0 - f1
 334         sqxtun_sz       v0,  v0.8h,  v1.8h,  \sz    // out p0
 335         sqxtun_sz       v1,  v2.8h,  v3.8h,  \sz    // out q0
 336         srshr           \tmp3\sz, \tmp3\sz, #1      // f = (f1 + 1) >> 1
 337         bit             v23\sz, v0\sz,  v4\sz       // if (fm && !flat8in)
 338         bit             v24\sz, v1\sz,  v4\sz
 339
 340         uxtl_sz         v0.8h,  v1.8h,  v22, \sz    // p1
 341         uxtl_sz         v2.8h,  v3.8h,  v25, \sz    // q1
 342         saddw_sz        v0.8h,  v1.8h,  v0.8h,  v1.8h,  \tmp3, \sz // p1 + f
 343         ssubw_sz        v2.8h,  v3.8h,  v2.8h,  v3.8h,  \tmp3, \sz // q1 - f
 344         sqxtun_sz       v0,  v0.8h,  v1.8h, \sz     // out p1
 345         sqxtun_sz       v2,  v2.8h,  v3.8h, \sz     // out q1
 346         bit             v22\sz, v0\sz,  v5\sz       // if (!hev && fm && !flat8in)
 347         bit             v25\sz, v2\sz,  v5\sz
 348
 349         // If no pixels need flat8in, jump to flat8out
 350         // (or to a writeout of the inner 4 pixels, for wd=8)
 351 .if \wd >= 8
 352         mov             x5,  v6.d[0]
 353 .ifc \sz, .16b
 354         mov             x6,  v6.d[1]
 355         adds            x5,  x5,  x6
 356         b.eq            6f
 357 .else
 358         cbz             x5,  6f
 359 .endif
 360
 361         // flat8in
 362         uaddl_sz        \tmp1\().8h, \tmp2\().8h,  v20, v21, \sz
 363         uaddl_sz        \tmp3\().8h, \tmp4\().8h,  v22, v25, \sz
 364         uaddl_sz        \tmp5\().8h, \tmp6\().8h,  v20, v22, \sz
 365         uaddl_sz        \tmp7\().8h, \tmp8\().8h,  v23, v26, \sz
 366         add_sz          v0.8h,  v1.8h,  \tmp1\().8h, \tmp2\().8h, \tmp1\().8h, \tmp2\().8h, \sz
 367         uaddw_sz        v0.8h,  v1.8h,  v0.8h,  v1.8h,  v23, \sz
 368         uaddw_sz        v0.8h,  v1.8h,  v0.8h,  v1.8h,  v24, \sz
 369         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  \tmp5\().8h, \tmp6\().8h, \sz
 370         sub_sz          \tmp3\().8h, \tmp4\().8h,  \tmp3\().8h, \tmp4\().8h,  \tmp1\().8h, \tmp2\().8h, \sz
 371         sub_sz          \tmp7\().8h, \tmp8\().8h,  \tmp7\().8h, \tmp8\().8h,  \tmp5\().8h, \tmp6\().8h, \sz
 372         rshrn_sz        v2,  v0.8h,  v1.8h,  #3,  \sz // out p2
 373
 374         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  \tmp3\().8h, \tmp4\().8h, \sz
 375         uaddl_sz        \tmp1\().8h, \tmp2\().8h,  v20,  v23, \sz
 376         uaddl_sz        \tmp3\().8h, \tmp4\().8h,  v24,  v27, \sz
 377         rshrn_sz        v3,  v0.8h,  v1.8h,  #3,  \sz // out p1
 378
 379         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  \tmp7\().8h, \tmp8\().8h, \sz
 380         sub_sz          \tmp3\().8h, \tmp4\().8h,  \tmp3\().8h, \tmp4\().8h,  \tmp1\().8h, \tmp2\().8h, \sz
 381         uaddl_sz        \tmp5\().8h, \tmp6\().8h,  v21,  v24, \sz
 382         uaddl_sz        \tmp7\().8h, \tmp8\().8h,  v25,  v27, \sz
 383         rshrn_sz        v4,  v0.8h,  v1.8h,  #3,  \sz // out p0
 384
 385         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  \tmp3\().8h, \tmp4\().8h, \sz
 386         sub_sz          \tmp7\().8h, \tmp8\().8h,  \tmp7\().8h, \tmp8\().8h,  \tmp5\().8h, \tmp6\().8h, \sz
 387         uaddl_sz        \tmp1\().8h, \tmp2\().8h,  v22,  v25, \sz
 388         uaddl_sz        \tmp3\().8h, \tmp4\().8h,  v26,  v27, \sz
 389         rshrn_sz        v5,  v0.8h,  v1.8h,  #3,  \sz // out q0
 390
 391         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  \tmp7\().8h, \tmp8\().8h, \sz
 392         sub_sz          \tmp3\().8h, \tmp4\().8h,  \tmp3\().8h, \tmp4\().8h,  \tmp1\().8h, \tmp2\().8h, \sz
 393         rshrn_sz        \tmp5,  v0.8h,  v1.8h,  #3,  \sz // out q1
 394
 395         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  \tmp3\().8h, \tmp4\().8h, \sz
 396         // The output here is written back into the input registers. This doesn't
 397         // matter for the flat8part below, since we only update those pixels
 398         // which won't be touched below.
 399         bit             v21\sz, v2\sz,  v6\sz
 400         bit             v22\sz, v3\sz,  v6\sz
 401         bit             v23\sz, v4\sz,  v6\sz
 402         rshrn_sz        \tmp6,  v0.8h,  v1.8h,  #3,  \sz // out q2
 403         bit             v24\sz, v5\sz,  v6\sz
 404         bit             v25\sz, \tmp5\sz,  v6\sz
 405         bit             v26\sz, \tmp6\sz,  v6\sz
 406 .endif
 407 .if \wd == 16
 408 6:
 409         orr             v2\sz,  v6\sz,  v7\sz
 410         mov             x5,  v2.d[0]
 411 .ifc \sz, .16b
 412         mov             x6,  v2.d[1]
 413         adds             x5,  x5,  x6
 414         b.ne            1f
 415 .else
 416         cbnz            x5,  1f
 417 .endif
 418         // If no pixels needed flat8in nor flat8out, jump to a
 419         // writeout of the inner 4 pixels
 420         br              x14
 421 1:
 422
 423         mov             x5,  v7.d[0]
 424 .ifc \sz, .16b
 425         mov             x6,  v7.d[1]
 426         adds             x5,  x5,  x6
 427         b.ne            1f
 428 .else
 429         cbnz            x5,  1f
 430 .endif
 431         // If no pixels need flat8out, jump to a writeout of the inner 6 pixels
 432         br              x15
 433
 434 1:
 435         // flat8out
 436         // This writes all outputs into v2-v17 (skipping v6 and v16).
 437         // If this part is skipped, the output is read from v21-v26 (which is the input
 438         // to this section).
 439         ushll_sz        v0.8h,  v1.8h,  v16,  #3,  \sz           // 8 * v16
 440         usubw_sz        v0.8h,  v1.8h,  v0.8h,  v1.8h,  v16, \sz // 7 * v16
 441         uaddw_sz        v0.8h,  v1.8h,  v0.8h,  v1.8h,  v17, \sz
 442         uaddl_sz        v8.8h,  v9.8h,  v17, v18, \sz
 443         uaddl_sz        v10.8h, v11.8h, v19, v20, \sz
 444         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  v8.8h,  v9.8h,  \sz
 445         uaddl_sz        v8.8h,  v9.8h,  v16, v17, \sz
 446         uaddl_sz        v12.8h, v13.8h, v21, v22, \sz
 447         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  v10.8h, v11.8h, \sz
 448         uaddl_sz        v10.8h, v11.8h, v18, v25, \sz
 449         uaddl_sz        v14.8h, v15.8h, v23, v24, \sz
 450         sub_sz          v10.8h, v11.8h, v10.8h, v11.8h, v8.8h,  v9.8h,  \sz
 451         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  v12.8h, v13.8h, \sz
 452         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  v14.8h, v15.8h, \sz
 453         uaddl_sz        v12.8h, v13.8h, v16, v18, \sz
 454         uaddl_sz        v14.8h, v15.8h, v19, v26, \sz
 455         rshrn_sz        v2,  v0.8h,  v1.8h,  #4,  \sz
 456
 457         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  v10.8h, v11.8h, \sz
 458         uaddl_sz        v8.8h,  v9.8h,  v16, v19, \sz
 459         uaddl_sz        v10.8h, v11.8h, v20, v27, \sz
 460         sub_sz          v14.8h, v15.8h, v14.8h, v15.8h, v12.8h, v13.8h, \sz
 461         bif             v2\sz,  v17\sz, v7\sz
 462         rshrn_sz        v3,  v0.8h,  v1.8h,  #4,  \sz
 463
 464         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  v14.8h, v15.8h, \sz
 465         uaddl_sz        v12.8h, v13.8h, v16, v20, \sz
 466         uaddl_sz        v14.8h, v15.8h, v21, v28, \sz
 467         sub_sz          v10.8h, v11.8h, v10.8h, v11.8h, v8.8h,  v9.8h,  \sz
 468         bif             v3\sz,  v18\sz, v7\sz
 469         rshrn_sz        v4,  v0.8h,  v1.8h,  #4,  \sz
 470
 471         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  v10.8h, v11.8h, \sz
 472         uaddl_sz        v8.8h,  v9.8h,  v16, v21, \sz
 473         uaddl_sz        v10.8h, v11.8h, v22, v29, \sz
 474         sub_sz          v14.8h, v15.8h, v14.8h, v15.8h, v12.8h, v13.8h, \sz
 475         bif             v4\sz,  v19\sz, v7\sz
 476         rshrn_sz        v5,  v0.8h,  v1.8h,  #4,  \sz
 477
 478         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  v14.8h, v15.8h, \sz
 479         uaddl_sz        v12.8h, v13.8h, v16, v22, \sz
 480         uaddl_sz        v14.8h, v15.8h, v23, v30, \sz
 481         sub_sz          v10.8h, v11.8h, v10.8h, v11.8h, v8.8h,  v9.8h,  \sz
 482         bif             v5\sz,  v20\sz, v7\sz
 483         rshrn_sz        v6,  v0.8h,  v1.8h,  #4,  \sz
 484
 485         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  v10.8h, v11.8h, \sz
 486         uaddl_sz        v10.8h, v11.8h, v16, v23, \sz
 487         sub_sz          v14.8h, v15.8h, v14.8h, v15.8h, v12.8h, v13.8h, \sz
 488         uaddl_sz        v12.8h, v13.8h, v24, v31, \sz
 489         bif             v6\sz,  v21\sz, v7\sz
 490         rshrn_sz        v8,  v0.8h,  v1.8h,  #4,  \sz
 491
 492         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  v14.8h, v15.8h, \sz
 493         sub_sz          v10.8h, v11.8h, v12.8h, v13.8h, v10.8h, v11.8h, \sz
 494         uaddl_sz        v12.8h, v13.8h, v17, v24, \sz
 495         uaddl_sz        v14.8h, v15.8h, v25, v31, \sz
 496         bif             v8\sz,  v22\sz, v7\sz
 497         rshrn_sz        v9,  v0.8h,  v1.8h,  #4,  \sz
 498
 499         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  v10.8h, v11.8h, \sz
 500         sub_sz          v14.8h, v15.8h, v14.8h, v15.8h, v12.8h, v13.8h, \sz
 501         uaddl_sz        v12.8h, v13.8h, v26, v31, \sz
 502         bif             v9\sz,  v23\sz, v7\sz
 503         rshrn_sz        v10, v0.8h,  v1.8h,  #4,  \sz
 504
 505         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  v14.8h, v15.8h, \sz
 506         uaddl_sz        v14.8h, v15.8h, v18, v25, \sz
 507         uaddl_sz        v18.8h, v19.8h, v19, v26, \sz
 508         sub_sz          v12.8h, v13.8h, v12.8h, v13.8h, v14.8h, v15.8h, \sz
 509         uaddl_sz        v14.8h, v15.8h, v27, v31, \sz
 510         bif             v10\sz, v24\sz, v7\sz
 511         rshrn_sz        v11, v0.8h,  v1.8h,  #4,  \sz
 512
 513         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  v12.8h, v13.8h, \sz
 514         uaddl_sz        v12.8h, v13.8h, v20, v27, \sz
 515         sub_sz          v14.8h, v15.8h, v14.8h, v15.8h, v18.8h, v19.8h, \sz
 516         uaddl_sz        v18.8h, v19.8h, v28, v31, \sz
 517         bif             v11\sz, v25\sz, v7\sz
 518         sub_sz          v18.8h, v19.8h, v18.8h, v19.8h, v12.8h, v13.8h, \sz
 519         rshrn_sz        v12, v0.8h,  v1.8h,  #4,  \sz
 520
 521         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  v14.8h, v15.8h, \sz
 522         uaddl_sz        v14.8h, v15.8h, v21, v28, \sz
 523         uaddl_sz        v20.8h, v21.8h, v29, v31, \sz
 524         bif             v12\sz, v26\sz, v7\sz
 525         rshrn_sz        v13, v0.8h,  v1.8h,  #4,  \sz
 526
 527         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  v18.8h, v19.8h, \sz
 528         sub_sz          v20.8h, v21.8h, v20.8h, v21.8h, v14.8h, v15.8h, \sz
 529         uaddl_sz        v18.8h, v19.8h, v22, v29, \sz
 530         uaddl_sz        v22.8h, v23.8h, v30, v31, \sz
 531         bif             v13\sz, v27\sz, v7\sz
 532         rshrn_sz        v14, v0.8h,  v1.8h,  #4,  \sz
 533
 534         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  v20.8h, v21.8h, \sz
 535         sub_sz          v22.8h, v23.8h, v22.8h, v23.8h, v18.8h, v19.8h, \sz
 536         bif             v14\sz, v28\sz, v7\sz
 537         rshrn_sz        v15, v0.8h,  v1.8h,  #4,  \sz
 538
 539         add_sz          v0.8h,  v1.8h,  v0.8h,  v1.8h,  v22.8h, v23.8h, \sz
 540         bif             v15\sz, v29\sz, v7\sz
 541         rshrn_sz        v17, v0.8h,  v1.8h,  #4,  \sz
 542         bif             v17\sz, v30\sz, v7\sz
 543 .endif
 544 .endm
 545
 546 // For wd <= 8, we use v16-v19 and v28-v31 for temp registers,
 547 // while we need those for inputs/outputs in wd=16 and use v8-v15
 548 // for temp registers there instead.
 549 function vp9_loop_filter_4
 550         loop_filter     4,  .8b,  0,    v16, v17, v18, v19, v28, v29, v30, v31
 551         ret
 552 9:
 553         br              x10
 554 endfunc
 555
 556 function vp9_loop_filter_4_16b_mix_44
 557         loop_filter     4,  .16b, 44,   v16, v17, v18, v19, v28, v29, v30, v31
 558         ret
 559 9:
 560         br              x10
 561 endfunc
 562
 563 function vp9_loop_filter_8
 564         loop_filter     8,  .8b,  0,    v16, v17, v18, v19, v28, v29, v30, v31
 565         ret
 566 6:
 567         br              x13
 568 9:
 569         br              x10
 570 endfunc
 571
 572 function vp9_loop_filter_8_16b_mix
 573         loop_filter     8,  .16b, 88,   v16, v17, v18, v19, v28, v29, v30, v31
 574         ret
 575 6:
 576         br              x13
 577 9:
 578         br              x10
 579 endfunc
 580
 581 function vp9_loop_filter_16
 582         loop_filter     16, .8b,  0,    v8,  v9,  v10, v11, v12, v13, v14, v15
 583         ret
 584 9:
 585         ldp             d8,  d9,  [sp], 0x10
 586         ldp             d10, d11, [sp], 0x10
 587         ldp             d12, d13, [sp], 0x10
 588         ldp             d14, d15, [sp], 0x10
 589         br              x10
 590 endfunc
 591
 592 function vp9_loop_filter_16_16b
 593         loop_filter     16, .16b, 0,    v8,  v9,  v10, v11, v12, v13, v14, v15
 594         ret
 595 9:
 596         ldp             d8,  d9,  [sp], 0x10
 597         ldp             d10, d11, [sp], 0x10
 598         ldp             d12, d13, [sp], 0x10
 599         ldp             d14, d15, [sp], 0x10
 600         br              x10
 601 endfunc
 602
 603 .macro loop_filter_4
 604         bl              vp9_loop_filter_4
 605 .endm
 606
 607 .macro loop_filter_4_16b_mix mix
 608         bl              vp9_loop_filter_4_16b_mix_\mix
 609 .endm
 610
 611 .macro loop_filter_8
 612         // calculate alternative 'return' targets
 613         adr             x13, 6f
 614         bl              vp9_loop_filter_8
 615 .endm
 616
 617 .macro loop_filter_8_16b_mix mix
 618         // calculate alternative 'return' targets
 619         adr             x13, 6f
 620 .if \mix == 48
 621         mov             x11, #0xffffffff00000000
 622 .elseif \mix == 84
 623         mov             x11, #0x00000000ffffffff
 624 .else
 625         mov             x11, #0xffffffffffffffff
 626 .endif
 627         bl              vp9_loop_filter_8_16b_mix
 628 .endm
 629
 630 .macro loop_filter_16
 631         // calculate alternative 'return' targets
 632         adr             x14, 7f
 633         adr             x15, 8f
 634         bl              vp9_loop_filter_16
 635 .endm
 636
 637 .macro loop_filter_16_16b
 638         // calculate alternative 'return' targets
 639         adr             x14, 7f
 640         adr             x15, 8f
 641         bl              vp9_loop_filter_16_16b
 642 .endm
 643
 644
 645 // The public functions in this file have got the following signature:
 646 // void loop_filter(uint8_t *dst, ptrdiff_t stride, int mb_lim, int lim, int hev_thr);
 647
 648 function ff_vp9_loop_filter_v_4_8_neon, export=1
 649         mov             x10, x30
 650         sub             x9,  x0,  x1, lsl #2
 651         ld1             {v20.8b}, [x9], x1 // p3
 652         ld1             {v24.8b}, [x0], x1 // q0
 653         ld1             {v21.8b}, [x9], x1 // p2
 654         ld1             {v25.8b}, [x0], x1 // q1
 655         ld1             {v22.8b}, [x9], x1 // p1
 656         ld1             {v26.8b}, [x0], x1 // q2
 657         ld1             {v23.8b}, [x9], x1 // p0
 658         ld1             {v27.8b}, [x0], x1 // q3
 659         sub             x0,  x0,  x1, lsl #2
 660         sub             x9,  x9,  x1, lsl #1
 661
 662         loop_filter_4
 663
 664         st1             {v22.8b}, [x9], x1
 665         st1             {v24.8b}, [x0], x1
 666         st1             {v23.8b}, [x9], x1
 667         st1             {v25.8b}, [x0], x1
 668
 669         br              x10
 670 endfunc
 671
 672 function ff_vp9_loop_filter_v_44_16_neon, export=1
 673         mov             x10, x30
 674         sub             x9,  x0,  x1, lsl #2
 675         ld1             {v20.16b}, [x9], x1 // p3
 676         ld1             {v24.16b}, [x0], x1 // q0
 677         ld1             {v21.16b}, [x9], x1 // p2
 678         ld1             {v25.16b}, [x0], x1 // q1
 679         ld1             {v22.16b}, [x9], x1 // p1
 680         ld1             {v26.16b}, [x0], x1 // q2
 681         ld1             {v23.16b}, [x9], x1 // p0
 682         ld1             {v27.16b}, [x0], x1 // q3
 683         sub             x0,  x0,  x1, lsl #2
 684         sub             x9,  x9,  x1, lsl #1
 685
 686         loop_filter_4_16b_mix 44
 687
 688         st1             {v22.16b}, [x9], x1
 689         st1             {v24.16b}, [x0], x1
 690         st1             {v23.16b}, [x9], x1
 691         st1             {v25.16b}, [x0], x1
 692
 693         br              x10
 694 endfunc
 695
 696 function ff_vp9_loop_filter_h_4_8_neon, export=1
 697         mov             x10, x30
 698         sub             x9,  x0,  #4
 699         add             x0,  x9,  x1, lsl #2
 700         ld1             {v20.8b}, [x9], x1
 701         ld1             {v24.8b}, [x0], x1
 702         ld1             {v21.8b}, [x9], x1
 703         ld1             {v25.8b}, [x0], x1
 704         ld1             {v22.8b}, [x9], x1
 705         ld1             {v26.8b}, [x0], x1
 706         ld1             {v23.8b}, [x9], x1
 707         ld1             {v27.8b}, [x0], x1
 708
 709         sub             x9,  x9,  x1, lsl #2
 710         sub             x0,  x0,  x1, lsl #2
 711         // Move x0/x9 forward by 2 pixels; we don't need to rewrite the
 712         // outermost 2 pixels since they aren't changed.
 713         add             x9,  x9,  #2
 714         add             x0,  x0,  #2
 715
 716         transpose_8x8B  v20, v21, v22, v23, v24, v25, v26, v27, v28, v29
 717
 718         loop_filter_4
 719
 720         // We only will write the mid 4 pixels back; after the loop filter,
 721         // these are in v22, v23, v24, v25, ordered as rows (8x4 pixels).
 722         // We need to transpose them to columns, done with a 4x8 transpose
 723         // (which in practice is two 4x4 transposes of the two 4x4 halves
 724         // of the 8x4 pixels; into 4x8 pixels).
 725         transpose_4x8B  v22, v23, v24, v25, v26, v27, v28, v29
 726         st1             {v22.s}[0], [x9], x1
 727         st1             {v22.s}[1], [x0], x1
 728         st1             {v23.s}[0], [x9], x1
 729         st1             {v23.s}[1], [x0], x1
 730         st1             {v24.s}[0], [x9], x1
 731         st1             {v24.s}[1], [x0], x1
 732         st1             {v25.s}[0], [x9], x1
 733         st1             {v25.s}[1], [x0], x1
 734
 735         br              x10
 736 endfunc
 737
 738 function ff_vp9_loop_filter_h_44_16_neon, export=1
 739         mov             x10, x30
 740         sub             x9,  x0,  #4
 741         add             x0,  x9,  x1, lsl #3
 742         ld1             {v20.8b},   [x9], x1
 743         ld1             {v20.d}[1], [x0], x1
 744         ld1             {v21.8b},   [x9], x1
 745         ld1             {v21.d}[1], [x0], x1
 746         ld1             {v22.8b},   [x9], x1
 747         ld1             {v22.d}[1], [x0], x1
 748         ld1             {v23.8b},   [x9], x1
 749         ld1             {v23.d}[1], [x0], x1
 750         ld1             {v24.8b},   [x9], x1
 751         ld1             {v24.d}[1], [x0], x1
 752         ld1             {v25.8b},   [x9], x1
 753         ld1             {v25.d}[1], [x0], x1
 754         ld1             {v26.8b},   [x9], x1
 755         ld1             {v26.d}[1], [x0], x1
 756         ld1             {v27.8b},   [x9], x1
 757         ld1             {v27.d}[1], [x0], x1
 758
 759         sub             x9,  x9,  x1, lsl #3
 760         sub             x0,  x0,  x1, lsl #3
 761         add             x9,  x9,  #2
 762         add             x0,  x0,  #2
 763
 764         transpose_8x16B v20, v21, v22, v23, v24, v25, v26, v27, v28, v29
 765
 766         loop_filter_4_16b_mix 44
 767
 768         transpose_4x16B v22, v23, v24, v25, v26, v27, v28, v29
 769
 770         st1             {v22.s}[0], [x9], x1
 771         st1             {v22.s}[2], [x0], x1
 772         st1             {v23.s}[0], [x9], x1
 773         st1             {v23.s}[2], [x0], x1
 774         st1             {v24.s}[0], [x9], x1
 775         st1             {v24.s}[2], [x0], x1
 776         st1             {v25.s}[0], [x9], x1
 777         st1             {v25.s}[2], [x0], x1
 778         st1             {v22.s}[1], [x9], x1
 779         st1             {v22.s}[3], [x0], x1
 780         st1             {v23.s}[1], [x9], x1
 781         st1             {v23.s}[3], [x0], x1
 782         st1             {v24.s}[1], [x9], x1
 783         st1             {v24.s}[3], [x0], x1
 784         st1             {v25.s}[1], [x9], x1
 785         st1             {v25.s}[3], [x0], x1
 786
 787         br              x10
 788 endfunc
 789
 790 function ff_vp9_loop_filter_v_8_8_neon, export=1
 791         mov             x10, x30
 792         sub             x9,  x0,  x1, lsl #2
 793         ld1             {v20.8b}, [x9], x1 // p3
 794         ld1             {v24.8b}, [x0], x1 // q0
 795         ld1             {v21.8b}, [x9], x1 // p2
 796         ld1             {v25.8b}, [x0], x1 // q1
 797         ld1             {v22.8b}, [x9], x1 // p1
 798         ld1             {v26.8b}, [x0], x1 // q2
 799         ld1             {v23.8b}, [x9], x1 // p0
 800         ld1             {v27.8b}, [x0], x1 // q3
 801         sub             x9,  x9,  x1, lsl #2
 802         sub             x0,  x0,  x1, lsl #2
 803         add             x9,  x9,  x1
 804
 805         loop_filter_8
 806
 807         st1             {v21.8b}, [x9], x1
 808         st1             {v24.8b}, [x0], x1
 809         st1             {v22.8b}, [x9], x1
 810         st1             {v25.8b}, [x0], x1
 811         st1             {v23.8b}, [x9], x1
 812         st1             {v26.8b}, [x0], x1
 813
 814         br              x10
 815 6:
 816         sub             x9,  x0,  x1, lsl #1
 817         st1             {v22.8b}, [x9], x1
 818         st1             {v24.8b}, [x0], x1
 819         st1             {v23.8b}, [x9], x1
 820         st1             {v25.8b}, [x0], x1
 821         br              x10
 822 endfunc
 823
 824 .macro mix_v_16 mix
 825 function ff_vp9_loop_filter_v_\mix\()_16_neon, export=1
 826         mov             x10, x30
 827         sub             x9,  x0,  x1, lsl #2
 828         ld1             {v20.16b}, [x9], x1 // p3
 829         ld1             {v24.16b}, [x0], x1 // q0
 830         ld1             {v21.16b}, [x9], x1 // p2
 831         ld1             {v25.16b}, [x0], x1 // q1
 832         ld1             {v22.16b}, [x9], x1 // p1
 833         ld1             {v26.16b}, [x0], x1 // q2
 834         ld1             {v23.16b}, [x9], x1 // p0
 835         ld1             {v27.16b}, [x0], x1 // q3
 836         sub             x9,  x9,  x1, lsl #2
 837         sub             x0,  x0,  x1, lsl #2
 838         add             x9,  x9,  x1
 839
 840         loop_filter_8_16b_mix \mix
 841
 842         st1             {v21.16b}, [x9], x1
 843         st1             {v24.16b}, [x0], x1
 844         st1             {v22.16b}, [x9], x1
 845         st1             {v25.16b}, [x0], x1
 846         st1             {v23.16b}, [x9], x1
 847         st1             {v26.16b}, [x0], x1
 848
 849         br              x10
 850 6:
 851         sub             x9,  x0,  x1, lsl #1
 852         st1             {v22.16b}, [x9], x1
 853         st1             {v24.16b}, [x0], x1
 854         st1             {v23.16b}, [x9], x1
 855         st1             {v25.16b}, [x0], x1
 856         br              x10
 857 endfunc
 858 .endm
 859
 860 mix_v_16 48
 861 mix_v_16 84
 862 mix_v_16 88
 863
 864 function ff_vp9_loop_filter_h_8_8_neon, export=1
 865         mov             x10, x30
 866         sub             x9,  x0,  #4
 867         add             x0,  x9,  x1, lsl #2
 868         ld1             {v20.8b}, [x9], x1
 869         ld1             {v24.8b}, [x0], x1
 870         ld1             {v21.8b}, [x9], x1
 871         ld1             {v25.8b}, [x0], x1
 872         ld1             {v22.8b}, [x9], x1
 873         ld1             {v26.8b}, [x0], x1
 874         ld1             {v23.8b}, [x9], x1
 875         ld1             {v27.8b}, [x0], x1
 876
 877         sub             x9,  x9,  x1, lsl #2
 878         sub             x0,  x0,  x1, lsl #2
 879
 880         transpose_8x8B  v20, v21, v22, v23, v24, v25, v26, v27, v28, v29
 881
 882         loop_filter_8
 883
 884         // Even though only 6 pixels per row have been changed, we write the
 885         // full 8 pixel registers.
 886         transpose_8x8B  v20, v21, v22, v23, v24, v25, v26, v27, v28, v29
 887
 888         st1             {v20.8b}, [x9], x1
 889         st1             {v24.8b}, [x0], x1
 890         st1             {v21.8b}, [x9], x1
 891         st1             {v25.8b}, [x0], x1
 892         st1             {v22.8b}, [x9], x1
 893         st1             {v26.8b}, [x0], x1
 894         st1             {v23.8b}, [x9], x1
 895         st1             {v27.8b}, [x0], x1
 896
 897         br              x10
 898 6:
 899         // If we didn't need to do the flat8in part, we use the same writeback
 900         // as in loop_filter_h_4_8.
 901         add             x9,  x9,  #2
 902         add             x0,  x0,  #2
 903         transpose_4x8B  v22, v23, v24, v25, v26, v27, v28, v29
 904         st1             {v22.s}[0], [x9], x1
 905         st1             {v22.s}[1], [x0], x1
 906         st1             {v23.s}[0], [x9], x1
 907         st1             {v23.s}[1], [x0], x1
 908         st1             {v24.s}[0], [x9], x1
 909         st1             {v24.s}[1], [x0], x1
 910         st1             {v25.s}[0], [x9], x1
 911         st1             {v25.s}[1], [x0], x1
 912         br              x10
 913 endfunc
 914
 915 .macro mix_h_16 mix
 916 function ff_vp9_loop_filter_h_\mix\()_16_neon, export=1
 917         mov             x10, x30
 918         sub             x9,  x0,  #4
 919         add             x0,  x9,  x1, lsl #3
 920         ld1             {v20.8b},   [x9], x1
 921         ld1             {v20.d}[1], [x0], x1
 922         ld1             {v21.8b},   [x9], x1
 923         ld1             {v21.d}[1], [x0], x1
 924         ld1             {v22.8b},   [x9], x1
 925         ld1             {v22.d}[1], [x0], x1
 926         ld1             {v23.8b},   [x9], x1
 927         ld1             {v23.d}[1], [x0], x1
 928         ld1             {v24.8b},   [x9], x1
 929         ld1             {v24.d}[1], [x0], x1
 930         ld1             {v25.8b},   [x9], x1
 931         ld1             {v25.d}[1], [x0], x1
 932         ld1             {v26.8b},   [x9], x1
 933         ld1             {v26.d}[1], [x0], x1
 934         ld1             {v27.8b},   [x9], x1
 935         ld1             {v27.d}[1], [x0], x1
 936
 937         sub             x9,  x9,  x1, lsl #3
 938         sub             x0,  x0,  x1, lsl #3
 939
 940         transpose_8x16B v20, v21, v22, v23, v24, v25, v26, v27, v28, v29
 941
 942         loop_filter_8_16b_mix \mix
 943
 944         transpose_8x16B v20, v21, v22, v23, v24, v25, v26, v27, v28, v29
 945
 946         st1             {v20.8b},   [x9], x1
 947         st1             {v20.d}[1], [x0], x1
 948         st1             {v21.8b},   [x9], x1
 949         st1             {v21.d}[1], [x0], x1
 950         st1             {v22.8b},   [x9], x1
 951         st1             {v22.d}[1], [x0], x1
 952         st1             {v23.8b},   [x9], x1
 953         st1             {v23.d}[1], [x0], x1
 954         st1             {v24.8b},   [x9], x1
 955         st1             {v24.d}[1], [x0], x1
 956         st1             {v25.8b},   [x9], x1
 957         st1             {v25.d}[1], [x0], x1
 958         st1             {v26.8b},   [x9], x1
 959         st1             {v26.d}[1], [x0], x1
 960         st1             {v27.8b},   [x9], x1
 961         st1             {v27.d}[1], [x0], x1
 962
 963         br              x10
 964 6:
 965         add             x9,  x9,  #2
 966         add             x0,  x0,  #2
 967         transpose_4x16B v22, v23, v24, v25, v26, v27, v28, v29
 968         st1             {v22.s}[0], [x9], x1
 969         st1             {v22.s}[2], [x0], x1
 970         st1             {v23.s}[0], [x9], x1
 971         st1             {v23.s}[2], [x0], x1
 972         st1             {v24.s}[0], [x9], x1
 973         st1             {v24.s}[2], [x0], x1
 974         st1             {v25.s}[0], [x9], x1
 975         st1             {v25.s}[2], [x0], x1
 976         st1             {v22.s}[1], [x9], x1
 977         st1             {v22.s}[3], [x0], x1
 978         st1             {v23.s}[1], [x9], x1
 979         st1             {v23.s}[3], [x0], x1
 980         st1             {v24.s}[1], [x9], x1
 981         st1             {v24.s}[3], [x0], x1
 982         st1             {v25.s}[1], [x9], x1
 983         st1             {v25.s}[3], [x0], x1
 984         br              x10
 985 endfunc
 986 .endm
 987
 988 mix_h_16 48
 989 mix_h_16 84
 990 mix_h_16 88
 991
 992 function ff_vp9_loop_filter_v_16_8_neon, export=1
 993         mov             x10, x30
 994         stp             d14, d15, [sp, #-0x10]!
 995         stp             d12, d13, [sp, #-0x10]!
 996         stp             d10, d11, [sp, #-0x10]!
 997         stp             d8,  d9,  [sp, #-0x10]!
 998         sub             x9,  x0,  x1, lsl #3
 999         ld1             {v16.8b}, [x9], x1 // p7
1000         ld1             {v24.8b}, [x0], x1 // q0
1001         ld1             {v17.8b}, [x9], x1 // p6
1002         ld1             {v25.8b}, [x0], x1 // q1
1003         ld1             {v18.8b}, [x9], x1 // p5
1004         ld1             {v26.8b}, [x0], x1 // q2
1005         ld1             {v19.8b}, [x9], x1 // p4
1006         ld1             {v27.8b}, [x0], x1 // q3
1007         ld1             {v20.8b}, [x9], x1 // p3
1008         ld1             {v28.8b}, [x0], x1 // q4
1009         ld1             {v21.8b}, [x9], x1 // p2
1010         ld1             {v29.8b}, [x0], x1 // q5
1011         ld1             {v22.8b}, [x9], x1 // p1
1012         ld1             {v30.8b}, [x0], x1 // q6
1013         ld1             {v23.8b}, [x9], x1 // p0
1014         ld1             {v31.8b}, [x0], x1 // q7
1015         sub             x9,  x9,  x1, lsl #3
1016         sub             x0,  x0,  x1, lsl #3
1017         add             x9,  x9,  x1
1018
1019         loop_filter_16
1020
1021         // If we did the flat8out part, we get the output in
1022         // v2-v17 (skipping v7 and v16). x9 points to x0 - 7 * stride,
1023         // store v2-v9 there, and v10-v17 into x0.
1024         st1             {v2.8b},  [x9], x1
1025         st1             {v10.8b}, [x0], x1
1026         st1             {v3.8b},  [x9], x1
1027         st1             {v11.8b}, [x0], x1
1028         st1             {v4.8b},  [x9], x1
1029         st1             {v12.8b}, [x0], x1
1030         st1             {v5.8b},  [x9], x1
1031         st1             {v13.8b}, [x0], x1
1032         st1             {v6.8b},  [x9], x1
1033         st1             {v14.8b}, [x0], x1
1034         st1             {v8.8b},  [x9], x1
1035         st1             {v15.8b}, [x0], x1
1036         st1             {v9.8b},  [x9], x1
1037         st1             {v17.8b}, [x0], x1
1038 9:
1039         ldp             d8,  d9,  [sp], 0x10
1040         ldp             d10, d11, [sp], 0x10
1041         ldp             d12, d13, [sp], 0x10
1042         ldp             d14, d15, [sp], 0x10
1043         br              x10
1044 8:
1045         add             x9,  x9,  x1, lsl #2
1046         // If we didn't do the flat8out part, the output is left in the
1047         // input registers.
1048         st1             {v21.8b}, [x9], x1
1049         st1             {v24.8b}, [x0], x1
1050         st1             {v22.8b}, [x9], x1
1051         st1             {v25.8b}, [x0], x1
1052         st1             {v23.8b}, [x9], x1
1053         st1             {v26.8b}, [x0], x1
1054         b               9b
1055 7:
1056         sub             x9,  x0,  x1, lsl #1
1057         st1             {v22.8b}, [x9], x1
1058         st1             {v24.8b}, [x0], x1
1059         st1             {v23.8b}, [x9], x1
1060         st1             {v25.8b}, [x0], x1
1061         b               9b
1062 endfunc
1063
1064 function ff_vp9_loop_filter_v_16_16_neon, export=1
1065         mov             x10, x30
1066         stp             d14, d15, [sp, #-0x10]!
1067         stp             d12, d13, [sp, #-0x10]!
1068         stp             d10, d11, [sp, #-0x10]!
1069         stp             d8,  d9,  [sp, #-0x10]!
1070         sub             x9,  x0,  x1, lsl #3
1071         ld1             {v16.16b}, [x9], x1 // p7
1072         ld1             {v24.16b}, [x0], x1 // q0
1073         ld1             {v17.16b}, [x9], x1 // p6
1074         ld1             {v25.16b}, [x0], x1 // q1
1075         ld1             {v18.16b}, [x9], x1 // p5
1076         ld1             {v26.16b}, [x0], x1 // q2
1077         ld1             {v19.16b}, [x9], x1 // p4
1078         ld1             {v27.16b}, [x0], x1 // q3
1079         ld1             {v20.16b}, [x9], x1 // p3
1080         ld1             {v28.16b}, [x0], x1 // q4
1081         ld1             {v21.16b}, [x9], x1 // p2
1082         ld1             {v29.16b}, [x0], x1 // q5
1083         ld1             {v22.16b}, [x9], x1 // p1
1084         ld1             {v30.16b}, [x0], x1 // q6
1085         ld1             {v23.16b}, [x9], x1 // p0
1086         ld1             {v31.16b}, [x0], x1 // q7
1087         sub             x9,  x9,  x1, lsl #3
1088         sub             x0,  x0,  x1, lsl #3
1089         add             x9,  x9,  x1
1090
1091         loop_filter_16_16b
1092
1093         st1             {v2.16b},  [x9], x1
1094         st1             {v10.16b}, [x0], x1
1095         st1             {v3.16b},  [x9], x1
1096         st1             {v11.16b}, [x0], x1
1097         st1             {v4.16b},  [x9], x1
1098         st1             {v12.16b}, [x0], x1
1099         st1             {v5.16b},  [x9], x1
1100         st1             {v13.16b}, [x0], x1
1101         st1             {v6.16b},  [x9], x1
1102         st1             {v14.16b}, [x0], x1
1103         st1             {v8.16b},  [x9], x1
1104         st1             {v15.16b}, [x0], x1
1105         st1             {v9.16b},  [x9], x1
1106         st1             {v17.16b}, [x0], x1
1107 9:
1108         ldp             d8,  d9,  [sp], 0x10
1109         ldp             d10, d11, [sp], 0x10
1110         ldp             d12, d13, [sp], 0x10
1111         ldp             d14, d15, [sp], 0x10
1112         br              x10
1113 8:
1114         add             x9,  x9,  x1, lsl #2
1115         st1             {v21.16b}, [x9], x1
1116         st1             {v24.16b}, [x0], x1
1117         st1             {v22.16b}, [x9], x1
1118         st1             {v25.16b}, [x0], x1
1119         st1             {v23.16b}, [x9], x1
1120         st1             {v26.16b}, [x0], x1
1121         b               9b
1122 7:
1123         sub             x9,  x0,  x1, lsl #1
1124         st1             {v22.16b}, [x9], x1
1125         st1             {v24.16b}, [x0], x1
1126         st1             {v23.16b}, [x9], x1
1127         st1             {v25.16b}, [x0], x1
1128         b               9b
1129 endfunc
1130
1131 function ff_vp9_loop_filter_h_16_8_neon, export=1
1132         mov             x10, x30
1133         stp             d14, d15, [sp, #-0x10]!
1134         stp             d12, d13, [sp, #-0x10]!
1135         stp             d10, d11, [sp, #-0x10]!
1136         stp             d8,  d9,  [sp, #-0x10]!
1137         sub             x9,  x0,  #8
1138         ld1             {v16.8b}, [x9], x1
1139         ld1             {v24.8b}, [x0], x1
1140         ld1             {v17.8b}, [x9], x1
1141         ld1             {v25.8b}, [x0], x1
1142         ld1             {v18.8b}, [x9], x1
1143         ld1             {v26.8b}, [x0], x1
1144         ld1             {v19.8b}, [x9], x1
1145         ld1             {v27.8b}, [x0], x1
1146         ld1             {v20.8b}, [x9], x1
1147         ld1             {v28.8b}, [x0], x1
1148         ld1             {v21.8b}, [x9], x1
1149         ld1             {v29.8b}, [x0], x1
1150         ld1             {v22.8b}, [x9], x1
1151         ld1             {v30.8b}, [x0], x1
1152         ld1             {v23.8b}, [x9], x1
1153         ld1             {v31.8b}, [x0], x1
1154         sub             x0,  x0,  x1, lsl #3
1155         sub             x9,  x9,  x1, lsl #3
1156
1157         // The 16x8 pixels read above is in two 8x8 blocks; the left
1158         // half in v16-v23, and the right half in v24-v31. Do two 8x8 transposes
1159         // of this, to get one column per register.
1160         transpose_8x8B  v16, v17, v18, v19, v20, v21, v22, v23, v0, v1
1161         transpose_8x8B  v24, v25, v26, v27, v28, v29, v30, v31, v0, v1
1162
1163         loop_filter_16
1164
1165         transpose_8x8B  v16, v2,  v3,  v4,  v5,  v6,  v8,  v9,  v0, v1
1166         transpose_8x8B  v10, v11, v12, v13, v14, v15, v17, v31, v0, v1
1167
1168         st1             {v16.8b}, [x9], x1
1169         st1             {v10.8b}, [x0], x1
1170         st1             {v2.8b},  [x9], x1
1171         st1             {v11.8b}, [x0], x1
1172         st1             {v3.8b},  [x9], x1
1173         st1             {v12.8b}, [x0], x1
1174         st1             {v4.8b},  [x9], x1
1175         st1             {v13.8b}, [x0], x1
1176         st1             {v5.8b},  [x9], x1
1177         st1             {v14.8b}, [x0], x1
1178         st1             {v6.8b},  [x9], x1
1179         st1             {v15.8b}, [x0], x1
1180         st1             {v8.8b},  [x9], x1
1181         st1             {v17.8b}, [x0], x1
1182         st1             {v9.8b},  [x9], x1
1183         st1             {v31.8b}, [x0], x1
1184 9:
1185         ldp             d8,  d9,  [sp], 0x10
1186         ldp             d10, d11, [sp], 0x10
1187         ldp             d12, d13, [sp], 0x10
1188         ldp             d14, d15, [sp], 0x10
1189         br              x10
1190 8:
1191         // The same writeback as in loop_filter_h_8_8
1192         sub             x9,  x0,  #4
1193         add             x0,  x9,  x1, lsl #2
1194         transpose_8x8B  v20, v21, v22, v23, v24, v25, v26, v27, v28, v29
1195
1196         st1             {v20.8b}, [x9], x1
1197         st1             {v24.8b}, [x0], x1
1198         st1             {v21.8b}, [x9], x1
1199         st1             {v25.8b}, [x0], x1
1200         st1             {v22.8b}, [x9], x1
1201         st1             {v26.8b}, [x0], x1
1202         st1             {v23.8b}, [x9], x1
1203         st1             {v27.8b}, [x0], x1
1204         b               9b
1205 7:
1206         // The same writeback as in loop_filter_h_4_8
1207         sub             x9,  x0,  #2
1208         add             x0,  x9,  x1, lsl #2
1209         transpose_4x8B  v22, v23, v24, v25, v26, v27, v28, v29
1210         st1             {v22.s}[0], [x9], x1
1211         st1             {v22.s}[1], [x0], x1
1212         st1             {v23.s}[0], [x9], x1
1213         st1             {v23.s}[1], [x0], x1
1214         st1             {v24.s}[0], [x9], x1
1215         st1             {v24.s}[1], [x0], x1
1216         st1             {v25.s}[0], [x9], x1
1217         st1             {v25.s}[1], [x0], x1
1218         b               9b
1219 endfunc
1220
1221 function ff_vp9_loop_filter_h_16_16_neon, export=1
1222         mov             x10, x30
1223         stp             d14, d15, [sp, #-0x10]!
1224         stp             d12, d13, [sp, #-0x10]!
1225         stp             d10, d11, [sp, #-0x10]!
1226         stp             d8,  d9,  [sp, #-0x10]!
1227         sub             x9,  x0,  #8
1228         ld1             {v16.8b},   [x9], x1
1229         ld1             {v24.8b},   [x0], x1
1230         ld1             {v17.8b},   [x9], x1
1231         ld1             {v25.8b},   [x0], x1
1232         ld1             {v18.8b},   [x9], x1
1233         ld1             {v26.8b},   [x0], x1
1234         ld1             {v19.8b},   [x9], x1
1235         ld1             {v27.8b},   [x0], x1
1236         ld1             {v20.8b},   [x9], x1
1237         ld1             {v28.8b},   [x0], x1
1238         ld1             {v21.8b},   [x9], x1
1239         ld1             {v29.8b},   [x0], x1
1240         ld1             {v22.8b},   [x9], x1
1241         ld1             {v30.8b},   [x0], x1
1242         ld1             {v23.8b},   [x9], x1
1243         ld1             {v31.8b},   [x0], x1
1244         ld1             {v16.d}[1], [x9], x1
1245         ld1             {v24.d}[1], [x0], x1
1246         ld1             {v17.d}[1], [x9], x1
1247         ld1             {v25.d}[1], [x0], x1
1248         ld1             {v18.d}[1], [x9], x1
1249         ld1             {v26.d}[1], [x0], x1
1250         ld1             {v19.d}[1], [x9], x1
1251         ld1             {v27.d}[1], [x0], x1
1252         ld1             {v20.d}[1], [x9], x1
1253         ld1             {v28.d}[1], [x0], x1
1254         ld1             {v21.d}[1], [x9], x1
1255         ld1             {v29.d}[1], [x0], x1
1256         ld1             {v22.d}[1], [x9], x1
1257         ld1             {v30.d}[1], [x0], x1
1258         ld1             {v23.d}[1], [x9], x1
1259         ld1             {v31.d}[1], [x0], x1
1260         sub             x0,  x0,  x1, lsl #4
1261         sub             x9,  x9,  x1, lsl #4
1262
1263         transpose_8x16B v16, v17, v18, v19, v20, v21, v22, v23, v0, v1
1264         transpose_8x16B v24, v25, v26, v27, v28, v29, v30, v31, v0, v1
1265
1266         loop_filter_16_16b
1267
1268         transpose_8x16B v16, v2,  v3,  v4,  v5,  v6,  v8,  v9,  v0, v1
1269         transpose_8x16B v10, v11, v12, v13, v14, v15, v17, v31, v0, v1
1270
1271         st1             {v16.8b},   [x9], x1
1272         st1             {v10.8b},   [x0], x1
1273         st1             {v2.8b},    [x9], x1
1274         st1             {v11.8b},   [x0], x1
1275         st1             {v3.8b},    [x9], x1
1276         st1             {v12.8b},   [x0], x1
1277         st1             {v4.8b},    [x9], x1
1278         st1             {v13.8b},   [x0], x1
1279         st1             {v5.8b},    [x9], x1
1280         st1             {v14.8b},   [x0], x1
1281         st1             {v6.8b},    [x9], x1
1282         st1             {v15.8b},   [x0], x1
1283         st1             {v8.8b},    [x9], x1
1284         st1             {v17.8b},   [x0], x1
1285         st1             {v9.8b},    [x9], x1
1286         st1             {v31.8b},   [x0], x1
1287         st1             {v16.d}[1], [x9], x1
1288         st1             {v10.d}[1], [x0], x1
1289         st1             {v2.d}[1],  [x9], x1
1290         st1             {v11.d}[1], [x0], x1
1291         st1             {v3.d}[1],  [x9], x1
1292         st1             {v12.d}[1], [x0], x1
1293         st1             {v4.d}[1],  [x9], x1
1294         st1             {v13.d}[1], [x0], x1
1295         st1             {v5.d}[1],  [x9], x1
1296         st1             {v14.d}[1], [x0], x1
1297         st1             {v6.d}[1],  [x9], x1
1298         st1             {v15.d}[1], [x0], x1
1299         st1             {v8.d}[1],  [x9], x1
1300         st1             {v17.d}[1], [x0], x1
1301         st1             {v9.d}[1],  [x9], x1
1302         st1             {v31.d}[1], [x0], x1
1303 9:
1304         ldp             d8,  d9,  [sp], 0x10
1305         ldp             d10, d11, [sp], 0x10
1306         ldp             d12, d13, [sp], 0x10
1307         ldp             d14, d15, [sp], 0x10
1308         br              x10
1309 8:
1310         sub             x9,  x0,  #4
1311         add             x0,  x9,  x1, lsl #3
1312         transpose_8x16B v20, v21, v22, v23, v24, v25, v26, v27, v28, v29
1313
1314         st1             {v20.8b},   [x9], x1
1315         st1             {v20.d}[1], [x0], x1
1316         st1             {v21.8b},   [x9], x1
1317         st1             {v21.d}[1], [x0], x1
1318         st1             {v22.8b},   [x9], x1
1319         st1             {v22.d}[1], [x0], x1
1320         st1             {v23.8b},   [x9], x1
1321         st1             {v23.d}[1], [x0], x1
1322         st1             {v24.8b},   [x9], x1
1323         st1             {v24.d}[1], [x0], x1
1324         st1             {v25.8b},   [x9], x1
1325         st1             {v25.d}[1], [x0], x1
1326         st1             {v26.8b},   [x9], x1
1327         st1             {v26.d}[1], [x0], x1
1328         st1             {v27.8b},   [x9], x1
1329         st1             {v27.d}[1], [x0], x1
1330         b               9b
1331 7:
1332         sub             x9,  x0,  #2
1333         add             x0,  x9,  x1, lsl #3
1334         transpose_4x16B v22, v23, v24, v25, v26, v27, v28, v29
1335         st1             {v22.s}[0], [x9], x1
1336         st1             {v22.s}[2], [x0], x1
1337         st1             {v23.s}[0], [x9], x1
1338         st1             {v23.s}[2], [x0], x1
1339         st1             {v24.s}[0], [x9], x1
1340         st1             {v24.s}[2], [x0], x1
1341         st1             {v25.s}[0], [x9], x1
1342         st1             {v25.s}[2], [x0], x1
1343         st1             {v22.s}[1], [x9], x1
1344         st1             {v22.s}[3], [x0], x1
1345         st1             {v23.s}[1], [x9], x1
1346         st1             {v23.s}[3], [x0], x1
1347         st1             {v24.s}[1], [x9], x1
1348         st1             {v24.s}[3], [x0], x1
1349         st1             {v25.s}[1], [x9], x1
1350         st1             {v25.s}[3], [x0], x1
1351         b               9b
1352 endfunc