]> git.sesse.net Git - x264/blobdiff - common/x86/quant-a.asm
Solaris: use sysconf to get processor count
[x264] / common / x86 / quant-a.asm
index 1a5cc92bd86963232e2b6f14b00b7281a84b4f3a..3c43220b175add85da89bd217084e1d962dc68ac 100644 (file)
@@ -1,12 +1,13 @@
 ;*****************************************************************************
 ;* quant-a.asm: x86 quantization and level-run
 ;*****************************************************************************
-;* Copyright (C) 2005-2010 x264 project
+;* Copyright (C) 2005-2012 x264 project
 ;*
 ;* Authors: Loren Merritt <lorenm@u.washington.edu>
 ;*          Fiona Glaser <fiona@x264.com>
 ;*          Christian Heine <sennindemokrit@gmx.net>
 ;*          Oskar Arvidsson <oskar@irock.se>
+;*          Henrik Gramner <hengar-6@student.ltu.se>
 ;*
 ;* This program is free software; you can redistribute it and/or modify
 ;* it under the terms of the GNU General Public License as published by
@@ -69,78 +70,41 @@ decimate_mask_table4:
     db  9,13,9,12,12,16,9,13,12,16,13,16,16,20,7,10,9,13,10,13,13,17,9,13,12,16
     db 13,16,16,20,10,13,13,17,13,16,16,20,13,17,16,20,17,20,20,24
 
+chroma_dc_dct_mask_mmx: dw 0, 0,-1,-1, 0, 0,-1,-1
+chroma_dc_dmf_mask_mmx: dw 0, 0,-1,-1, 0,-1,-1, 0
+chroma_dc_dct_mask:     dw 1, 1,-1,-1, 1, 1,-1,-1
+chroma_dc_dmf_mask:     dw 1, 1,-1,-1, 1,-1,-1, 1
+
 SECTION .text
 
 cextern pb_1
 cextern pw_1
 cextern pd_1
 cextern pb_01
+cextern pd_1024
 
-%macro QUANT_DC_START_MMX 0
+%macro QUANT_DC_START 0
     movd       m6, r1m     ; mf
     movd       m7, r2m     ; bias
-%ifdef HIGH_BIT_DEPTH
+%if HIGH_BIT_DEPTH
     SPLATD     m6, m6
     SPLATD     m7, m7
+%elif cpuflag(sse4) ; ssse3, but not faster on conroe
+    mova       m5, [pb_01]
+    pshufb     m6, m5
+    pshufb     m7, m5
 %else
     SPLATW     m6, m6
     SPLATW     m7, m7
-%endif ; HIGH_BIT_DEPTH
-%endmacro
-
-%macro QUANT_DC_START_SSSE3 0
-    movdqa     m5, [pb_01]
-    movd       m6, r1m     ; mf
-    movd       m7, r2m     ; bias
-    pshufb     m6, m5
-    pshufb     m7, m5
-%endmacro
-
-%macro PABSW_MMX 2
-    pxor       %1, %1
-    pcmpgtw    %1, %2
-    pxor       %2, %1
-    psubw      %2, %1
-    SWAP       %1, %2
-%endmacro
-
-%macro PSIGNW_MMX 2
-    pxor       %1, %2
-    psubw      %1, %2
-%endmacro
-
-%macro PABSW_SSSE3 2
-    pabsw      %1, %2
-%endmacro
-
-%macro PSIGNW_SSSE3 2
-    psignw     %1, %2
-%endmacro
-
-%macro PSIGND_MMX 2
-    pxor        %1, %2
-    psubd       %1, %2
-%endmacro
-
-%macro PSIGND_SSSE3 2
-    psignd      %1, %2
-%endmacro
-
-%macro PABSD_MMX 2
-    pxor        %1, %1
-    pcmpgtd     %1, %2
-    pxor        %2, %1
-    psubd       %2, %1
-    SWAP        %1, %2
-%endmacro
-
-%macro PABSD_SSSE3 2
-    pabsd       %1, %2
+%endif
 %endmacro
 
-%macro QUANT_END_MMX 0
+%macro QUANT_END 0
     xor      eax, eax
-%ifdef ARCH_X86_64
+%if cpuflag(sse4)
+    ptest     m5, m5
+%else ; !sse4
+%if ARCH_X86_64
 %if mmsize == 16
     packsswb  m5, m5
 %endif
@@ -158,19 +122,21 @@ cextern pb_01
     test     ecx, ecx
 %endif
 %endif
+%endif ; cpuflag
     setne     al
 %endmacro
 
-%macro QUANT_END_SSE4 0
-    xor      eax, eax
-    ptest     m5, m5
-    setne     al
-%endmacro
-
-%ifdef HIGH_BIT_DEPTH
-%macro QUANT_ONE_DC_MMX 4
+%if HIGH_BIT_DEPTH
+%macro QUANT_ONE_DC 4
+%if cpuflag(sse4)
     mova        m0, [%1]
-    PABSD       m1, m0
+    ABSD        m1, m0
+    paddd       m1, %3
+    pmulld      m1, %2
+    psrad       m1, 16
+%else ; !sse4
+    mova        m0, [%1]
+    ABSD        m1, m0
     paddd       m1, %3
     mova        m2, m1
     psrlq       m2, 32
@@ -179,40 +145,18 @@ cextern pb_01
     psllq       m2, 32
     paddd       m1, m2
     psrld       m1, 16
+%endif ; cpuflag
     PSIGND      m1, m0
     mova      [%1], m1
-%if %4
-    por         m5, m1
-%else
-    SWAP        m5, m1
-%endif
-%endmacro
-
-%macro QUANT_TWO_DC_MMX 4
-    QUANT_ONE_DC_MMX %1, %2, %3, %4
-    QUANT_ONE_DC_MMX %1+mmsize, %2, %3, %4+mmsize
-%endmacro
-
-%macro QUANT_ONE_DC_SSE4 4
-    mova        m0, [%1]
-    PABSD       m1, m0
-    paddd       m1, %3
-    pmulld      m1, %2
-    psrad       m1, 16
-    PSIGND      m1, m0
-    mova      [%1], m1
-%if %4
-    por         m5, m1
-%else
-    SWAP        m5, m1
-%endif
+    ACCUM     por, 5, 1, %4
 %endmacro
 
-%macro QUANT_TWO_DC_SSE4 4
-    mova        m0, [%1]
+%macro QUANT_TWO_DC 4
+%if cpuflag(sse4)
+    mova        m0, [%1       ]
     mova        m1, [%1+mmsize]
-    PABSD       m2, m0
-    PABSD       m3, m1
+    ABSD        m2, m0
+    ABSD        m3, m1
     paddd       m2, %3
     paddd       m3, %3
     pmulld      m2, %2
@@ -221,20 +165,20 @@ cextern pb_01
     psrad       m3, 16
     PSIGND      m2, m0
     PSIGND      m3, m1
-    mova      [%1], m2
-    mova      [%1+mmsize], m3
-%if %4
-    por         m5, m2
-%else
-    SWAP        m5, m2
-%endif
+    mova [%1       ], m2
+    mova [%1+mmsize], m3
+    ACCUM      por, 5, 2, %4
     por         m5, m3
+%else ; !sse4
+    QUANT_ONE_DC %1, %2, %3, %4
+    QUANT_ONE_DC %1+mmsize, %2, %3, %4+mmsize
+%endif ; cpuflag
 %endmacro
 
 %macro QUANT_ONE_AC_MMX 4
     mova        m0, [%1]
     mova        m2, [%2]
-    PABSD       m1, m0
+    ABSD        m1, m0
     mova        m4, m2
     paddd       m1, [%3]
     mova        m3, m1
@@ -247,47 +191,39 @@ cextern pb_01
     psrad       m1, 16
     PSIGND      m1, m0
     mova      [%1], m1
-%if %4
-    por         m5, m1
-%else
-    SWAP        m5, m1
-%endif
+    ACCUM      por, 5, 1, %4
 %endmacro
 
-%macro QUANT_TWO_AC_MMX 4
-    QUANT_ONE_AC_MMX %1, %2, %3, %4
-    QUANT_ONE_AC_MMX %1+mmsize, %2+mmsize, %3+mmsize, %4+mmsize
-%endmacro
-
-%macro QUANT_TWO_AC_SSE4 4
-    mova        m0, [%1]
+%macro QUANT_TWO_AC 4
+%if cpuflag(sse4)
+    mova        m0, [%1       ]
     mova        m1, [%1+mmsize]
-    PABSD       m2, m0
-    PABSD       m3, m1
-    paddd       m2, [%3]
+    ABSD        m2, m0
+    ABSD        m3, m1
+    paddd       m2, [%3       ]
     paddd       m3, [%3+mmsize]
-    pmulld      m2, [%2]
+    pmulld      m2, [%2       ]
     pmulld      m3, [%2+mmsize]
     psrad       m2, 16
     psrad       m3, 16
     PSIGND      m2, m0
     PSIGND      m3, m1
-    mova      [%1], m2
-    mova      [%1+mmsize], m3
-%if %4
-    por         m5, m2
-%else
-    SWAP        m5, m2
-%endif
+    mova [%1       ], m2
+    mova [%1+mmsize], m3
+    ACCUM      por, 5, 2, %4
     por         m5, m3
+%else ; !sse4
+    QUANT_ONE_AC_MMX %1, %2, %3, %4
+    QUANT_ONE_AC_MMX %1+mmsize, %2+mmsize, %3+mmsize, %4+mmsize
+%endif ; cpuflag
 %endmacro
 
 ;-----------------------------------------------------------------------------
 ; int quant_2x2( int32_t dct[M*N], int mf, int bias )
 ;-----------------------------------------------------------------------------
-%macro QUANT_DC 3
-cglobal quant_%1x%2_dc_%3, 3,3,8*(mmsize/16)
-    QUANT_DC_START_MMX
+%macro QUANT_DC 2
+cglobal quant_%1x%2_dc, 3,3,8
+    QUANT_DC_START
 %if %1*%2 <= mmsize/4
     QUANT_ONE_DC r0, m6, m7, 0
 %else
@@ -304,8 +240,8 @@ cglobal quant_%1x%2_dc_%3, 3,3,8*(mmsize/16)
 ;-----------------------------------------------------------------------------
 ; int quant_MxN( int32_t dct[M*N], uint32_t mf[M*N], uint32_t bias[M*N] )
 ;-----------------------------------------------------------------------------
-%macro QUANT_AC 3
-cglobal quant_%1x%2_%3, 3,3,8*(mmsize/16)
+%macro QUANT_AC 2
+cglobal quant_%1x%2, 3,3,8
 %assign x 0
 %rep %1*%2/(mmsize/2)
     QUANT_TWO_AC r0+x, r1+x, r2+x, x
@@ -315,70 +251,45 @@ cglobal quant_%1x%2_%3, 3,3,8*(mmsize/16)
     RET
 %endmacro
 
-%define QUANT_TWO_AC QUANT_TWO_AC_MMX
-%define QUANT_ONE_DC QUANT_ONE_DC_MMX
-%define QUANT_TWO_DC QUANT_TWO_DC_MMX
-%define QUANT_END QUANT_END_MMX
-%define PABSD PABSD_MMX
-%define PSIGND PSIGND_MMX
-INIT_MMX
-QUANT_DC 2, 2, mmxext
-QUANT_DC 4, 4, mmxext
-QUANT_AC 4, 4, mmx
-QUANT_AC 8, 8, mmx
-INIT_XMM
-QUANT_DC 2, 2, sse2
-QUANT_DC 4, 4, sse2
-QUANT_AC 4, 4, sse2
-QUANT_AC 8, 8, sse2
-
-%define PABSD PABSD_SSSE3
-%define PSIGND PSIGND_SSSE3
-QUANT_DC 2, 2, ssse3
-QUANT_DC 4, 4, ssse3
-QUANT_AC 4, 4, ssse3
-QUANT_AC 8, 8, ssse3
-
-%define QUANT_TWO_AC QUANT_TWO_AC_SSE4
-%define QUANT_ONE_DC QUANT_ONE_DC_SSE4
-%define QUANT_TWO_DC QUANT_TWO_DC_SSE4
-%define QUANT_END QUANT_END_SSE4
-QUANT_DC 2, 2, sse4
-QUANT_DC 4, 4, sse4
-QUANT_AC 4, 4, sse4
-QUANT_AC 8, 8, sse4
-
-%undef SIGND
-%undef PABSD
-%undef QUANT_END
-%undef QUANT_TWO_AC
-%undef QUANT_ONE_DC
-%undef QUANT_TWO_DC
+INIT_XMM sse2
+QUANT_DC 2, 2
+QUANT_DC 4, 4
+QUANT_AC 4, 4
+QUANT_AC 8, 8
+
+INIT_XMM ssse3
+QUANT_DC 2, 2
+QUANT_DC 4, 4
+QUANT_AC 4, 4
+QUANT_AC 8, 8
+
+INIT_XMM sse4
+QUANT_DC 2, 2
+QUANT_DC 4, 4
+QUANT_AC 4, 4
+QUANT_AC 8, 8
+
 %endif ; HIGH_BIT_DEPTH
 
-%ifndef HIGH_BIT_DEPTH
+%if HIGH_BIT_DEPTH == 0
 %macro QUANT_ONE 4
 ;;; %1      (m64)       dct[y][x]
 ;;; %2      (m64/mmx)   mf[y][x] or mf[0][0] (as uint16_t)
 ;;; %3      (m64/mmx)   bias[y][x] or bias[0][0] (as uint16_t)
     mova       m1, %1   ; load dct coeffs
-    PABSW      m0, m1
+    ABSW       m0, m1, sign
     paddusw    m0, %3   ; round
     pmulhuw    m0, %2   ; divide
     PSIGNW     m0, m1   ; restore sign
     mova       %1, m0   ; store
-%if %4
-    por        m5, m0
-%else
-    SWAP       m5, m0
-%endif
+    ACCUM     por, 5, 0, %4
 %endmacro
 
 %macro QUANT_TWO 7
     mova       m1, %1
     mova       m3, %2
-    PABSW      m0, m1
-    PABSW      m2, m3
+    ABSW       m0, m1, sign
+    ABSW       m2, m3, sign
     paddusw    m0, %5
     paddusw    m2, %6
     pmulhuw    m0, %3
@@ -387,13 +298,8 @@ QUANT_AC 8, 8, sse4
     PSIGNW     m2, m3
     mova       %1, m0
     mova       %2, m2
-%if %7
-    por        m5, m0
-    por        m5, m2
-%else
-    SWAP       m5, m0
+    ACCUM     por, 5, 0, %7
     por        m5, m2
-%endif
 %endmacro
 
 ;-----------------------------------------------------------------------------
@@ -429,38 +335,33 @@ cglobal %1, 3,3
     RET
 %endmacro
 
-INIT_MMX
-%define QUANT_END QUANT_END_MMX
-%define PABSW PABSW_MMX
-%define PSIGNW PSIGNW_MMX
-%define QUANT_DC_START QUANT_DC_START_MMX
-QUANT_DC quant_2x2_dc_mmxext, 1
-%ifndef ARCH_X86_64 ; not needed because sse2 is faster
-QUANT_DC quant_4x4_dc_mmxext, 4
-QUANT_AC quant_4x4_mmx, 4
-QUANT_AC quant_8x8_mmx, 16
+INIT_MMX mmx2
+QUANT_DC quant_2x2_dc, 1
+%if ARCH_X86_64 == 0 ; not needed because sse2 is faster
+QUANT_DC quant_4x4_dc, 4
+INIT_MMX mmx
+QUANT_AC quant_4x4, 4
+QUANT_AC quant_8x8, 16
 %endif
 
-INIT_XMM
-QUANT_DC quant_4x4_dc_sse2, 2, 8
-QUANT_AC quant_4x4_sse2, 2
-QUANT_AC quant_8x8_sse2, 8
+INIT_XMM sse2
+QUANT_DC quant_4x4_dc, 2, 8
+QUANT_AC quant_4x4, 2
+QUANT_AC quant_8x8, 8
+
+INIT_XMM ssse3
+QUANT_DC quant_4x4_dc, 2, 8
+QUANT_AC quant_4x4, 2
+QUANT_AC quant_8x8, 8
 
-%define PABSW PABSW_SSSE3
-%define PSIGNW PSIGNW_SSSE3
-QUANT_DC quant_4x4_dc_ssse3, 2, 8
-QUANT_AC quant_4x4_ssse3, 2
-QUANT_AC quant_8x8_ssse3, 8
+INIT_MMX ssse3
+QUANT_DC quant_2x2_dc, 1
 
-INIT_MMX
-QUANT_DC quant_2x2_dc_ssse3, 1
-%define QUANT_END QUANT_END_SSE4
+INIT_XMM sse4
 ;Not faster on Conroe, so only used in SSE4 versions
-%define QUANT_DC_START QUANT_DC_START_SSSE3
-INIT_XMM
-QUANT_DC quant_4x4_dc_sse4, 2, 8
-QUANT_AC quant_4x4_sse4, 2
-QUANT_AC quant_8x8_sse4, 8
+QUANT_DC quant_4x4_dc, 2, 8
+QUANT_AC quant_4x4, 2
+QUANT_AC quant_8x8, 8
 %endif ; !HIGH_BIT_DEPTH
 
 
@@ -474,7 +375,7 @@ QUANT_AC quant_8x8_sse4, 8
 ;;; %2,%3   dequant_mf[i_mf][y][x]
 ;;; m2      i_qbits
     mova     m0, %2
-%ifdef HIGH_BIT_DEPTH
+%if HIGH_BIT_DEPTH
     pmaddwd  m0, %1
     pslld    m0, m2
 %else
@@ -492,18 +393,14 @@ QUANT_AC quant_8x8_sse4, 8
 ;;; m3      f
 ;;; m4      0
     mova      m0, %1
-%ifdef HIGH_BIT_DEPTH
-    pmaddwd   m0, %2
-    paddd     m0, m3
+%if HIGH_BIT_DEPTH
+    pmadcswd  m0, m0, %2, m3
     psrad     m0, m2
 %else
-    mova      m1, m0
+    punpckhwd m1, m0, m4
     punpcklwd m0, m4
-    punpckhwd m1, m4
-    pmaddwd   m0, %2
-    pmaddwd   m1, %3
-    paddd     m0, m3
-    paddd     m1, m3
+    pmadcswd  m0, m0, %2, m3
+    pmadcswd  m1, m1, %3, m3
     psrad     m0, m2
     psrad     m1, m2
     packssdw  m0, m1
@@ -544,9 +441,9 @@ QUANT_AC quant_8x8_sse4, 8
 %endrep
 %endmacro
 
-%ifdef WIN64
+%if WIN64
     DECLARE_REG_TMP 6,3,2
-%elifdef ARCH_X86_64
+%elif ARCH_X86_64
     DECLARE_REG_TMP 4,3,2
 %else
     DECLARE_REG_TMP 2,0,1
@@ -560,7 +457,7 @@ QUANT_AC quant_8x8_sse4, 8
     sub  t2d, t1d
     sub  t2d, t1d   ; i_mf = i_qp % 6
     shl  t2d, %1
-%ifdef ARCH_X86_64
+%if ARCH_X86_64
     add  r1, t2     ; dequant_mf[i_mf]
 %else
     add  r1, r1mp   ; dequant_mf[i_mf]
@@ -573,14 +470,14 @@ QUANT_AC quant_8x8_sse4, 8
 ;-----------------------------------------------------------------------------
 ; void dequant_4x4( dctcoef dct[4][4], int dequant_mf[6][4][4], int i_qp )
 ;-----------------------------------------------------------------------------
-%macro DEQUANT 4
-cglobal dequant_%2x%2_%1, 0,3,6*(mmsize/16)
+%macro DEQUANT 3
+cglobal dequant_%1x%1, 0,3,6
 .skip_prologue:
-    DEQUANT_START %3+2, %3
+    DEQUANT_START %2+2, %2
 
 .lshift:
     movd m2, t0d
-    DEQUANT_LOOP DEQUANT16_L, %2*%2/4, %4
+    DEQUANT_LOOP DEQUANT16_L, %1*%1/4, %3
 
 .rshift32:
     neg   t0d
@@ -589,13 +486,14 @@ cglobal dequant_%2x%2_%1, 0,3,6*(mmsize/16)
     pxor  m4, m4
     pslld m3, m2
     psrld m3, 1
-    DEQUANT_LOOP DEQUANT32_R, %2*%2/4, %4
+    DEQUANT_LOOP DEQUANT32_R, %1*%1/4, %3
 
-cglobal dequant_%2x%2_flat16_%1, 0,3
+%if HIGH_BIT_DEPTH == 0 && notcpuflag(avx)
+cglobal dequant_%1x%1_flat16, 0,3
     movifnidn t2d, r2m
-%if %2 == 8
+%if %1 == 8
     cmp  t2d, 12
-    jl dequant_%2x%2_%1.skip_prologue
+    jl dequant_%1x%1 %+ SUFFIX %+ .skip_prologue
     sub  t2d, 12
 %endif
     imul t0d, t2d, 0x2b
@@ -603,23 +501,23 @@ cglobal dequant_%2x%2_flat16_%1, 0,3
     lea  t1, [t0*3]
     sub  t2d, t1d
     sub  t2d, t1d   ; i_mf = i_qp % 6
-    shl  t2d, %3
+    shl  t2d, %2
 %ifdef PIC
-    lea  r1, [dequant%2_scale]
+    lea  r1, [dequant%1_scale]
     add  r1, t2
 %else
-    lea  r1, [dequant%2_scale + t2]
+    lea  r1, [dequant%1_scale + t2]
 %endif
     movifnidn r0, r0mp
     movd m4, t0d
-%if %2 == 4
-%ifidn %1, mmx
+%if %1 == 4
+%if mmsize == 8
     DEQUANT16_FLAT [r1], 0, 16
     DEQUANT16_FLAT [r1+8], 8, 24
 %else
     DEQUANT16_FLAT [r1], 0, 16
 %endif
-%elifidn %1, mmx
+%elif mmsize == 8
     DEQUANT16_FLAT [r1], 0, 8, 64, 72
     DEQUANT16_FLAT [r1+16], 16, 24, 48, 56
     DEQUANT16_FLAT [r1+16], 80, 88, 112, 120
@@ -630,98 +528,80 @@ cglobal dequant_%2x%2_flat16_%1, 0,3
     DEQUANT16_FLAT [r1+32], 32, 96
 %endif
     RET
+%endif ; !HIGH_BIT_DEPTH && !AVX
 %endmacro ; DEQUANT
 
-%ifdef HIGH_BIT_DEPTH
-INIT_XMM
-DEQUANT sse2, 4, 4, 1
-DEQUANT sse4, 4, 4, 1
-DEQUANT sse2, 8, 6, 1
-DEQUANT sse4, 8, 6, 1
+%if HIGH_BIT_DEPTH
+INIT_XMM sse2
+DEQUANT 4, 4, 1
+DEQUANT 8, 6, 1
+INIT_XMM xop
+DEQUANT 4, 4, 1
+DEQUANT 8, 6, 1
 %else
-%ifndef ARCH_X86_64
-INIT_MMX
-DEQUANT mmx, 4, 4, 1
-DEQUANT mmx, 8, 6, 1
+%if ARCH_X86_64 == 0
+INIT_MMX mmx
+DEQUANT 4, 4, 1
+DEQUANT 8, 6, 1
 %endif
-INIT_XMM
-DEQUANT sse2, 4, 4, 2
-DEQUANT sse2, 8, 6, 2
+INIT_XMM sse2
+DEQUANT 4, 4, 2
+DEQUANT 8, 6, 2
+INIT_XMM avx
+DEQUANT 4, 4, 2
+DEQUANT 8, 6, 2
+INIT_XMM xop
+DEQUANT 4, 4, 2
+DEQUANT 8, 6, 2
 %endif
 
 %macro DEQUANT_DC 2
-cglobal dequant_4x4dc_%1, 0,3,6*(mmsize/16)
+cglobal dequant_4x4dc, 0,3,6
     DEQUANT_START 6, 6
 
 .lshift:
     movd     m3, [r1]
     movd     m2, t0d
     pslld    m3, m2
-%ifdef HIGH_BIT_DEPTH
-    pshufd   m3, m3, 0
+    SPLAT%1  m3, m3, 0
 %assign x 0
 %rep SIZEOF_PIXEL*16/mmsize
     mova     m0, [r0+mmsize*0+x]
     mova     m1, [r0+mmsize*1+x]
-    pmaddwd  m0, m3
-    pmaddwd  m1, m3
+    %2       m0, m3
+    %2       m1, m3
     mova     [r0+mmsize*0+x], m0
     mova     [r0+mmsize*1+x], m1
 %assign x x+mmsize*2
 %endrep
-
-%else ; !HIGH_BIT_DEPTH
-%if mmsize==16
-    pshuflw  m3, m3, 0
-    punpcklqdq m3, m3
-%else
-    pshufw   m3, m3, 0
-%endif
-%assign x 0
-%rep SIZEOF_PIXEL*16/mmsize
-    mova     m0, [r0+mmsize*0+x]
-    mova     m1, [r0+mmsize*1+x]
-    pmullw   m0, m3
-    pmullw   m1, m3
-    mova     [r0+mmsize*0+x], m0
-    mova     [r0+mmsize*1+x], m1
-%assign x x+mmsize*2
-%endrep
-%endif ; HIGH_BIT_DEPTH
     RET
 
 .rshift32:
     neg   t0d
     movd  m3, t0d
-    mova  m4, [p%2_1]
+    mova  m4, [p%1_1]
     mova  m5, m4
     pslld m4, m3
     psrld m4, 1
     movd  m2, [r1]
 %assign x 0
-%ifdef HIGH_BIT_DEPTH
+%if HIGH_BIT_DEPTH
     pshufd m2, m2, 0
 %rep SIZEOF_PIXEL*32/mmsize
     mova      m0, [r0+x]
-    pmaddwd   m0, m2
-    paddd     m0, m4
+    pmadcswd  m0, m0, m2, m4
     psrad     m0, m3
     mova      [r0+x], m0
 %assign x x+mmsize
 %endrep
 
-%else
-%if mmsize==8
-    punpcklwd m2, m2
-%else
-    pshuflw m2, m2, 0
-%endif
+%else ; !HIGH_BIT_DEPTH
+    PSHUFLW   m2, m2, 0
     punpcklwd m2, m4
 %rep SIZEOF_PIXEL*32/mmsize
     mova      m0, [r0+x]
-    mova      m1, m0
+    punpckhwd m1, m0, m5
     punpcklwd m0, m5
-    punpckhwd m1, m5
     pmaddwd   m0, m2
     pmaddwd   m1, m2
     psrad     m0, m3
@@ -730,123 +610,240 @@ cglobal dequant_4x4dc_%1, 0,3,6*(mmsize/16)
     mova      [r0+x], m0
 %assign x x+mmsize
 %endrep
-%endif
+%endif ; !HIGH_BIT_DEPTH
     RET
 %endmacro
 
-%ifdef HIGH_BIT_DEPTH
-INIT_XMM
-DEQUANT_DC sse2  , d
-DEQUANT_DC sse4  , d
+%if HIGH_BIT_DEPTH
+INIT_XMM sse2
+DEQUANT_DC d, pmaddwd
+INIT_XMM xop
+DEQUANT_DC d, pmaddwd
+%else
+%if ARCH_X86_64 == 0
+INIT_MMX mmx2
+DEQUANT_DC w, pmullw
+%endif
+INIT_XMM sse2
+DEQUANT_DC w, pmullw
+INIT_XMM avx
+DEQUANT_DC w, pmullw
+%endif
+
+; t4 is eax for return value.
+%if ARCH_X86_64
+    DECLARE_REG_TMP 0,1,2,3,6,4  ; Identical for both Windows and *NIX
+%else
+    DECLARE_REG_TMP 4,1,2,3,0,5
+%endif
+
+;-----------------------------------------------------------------------------
+; x264_optimize_chroma_2x2_dc( dctcoef dct[4], int dequant_mf )
+;-----------------------------------------------------------------------------
+
+%macro OPTIMIZE_CHROMA_2x2_DC 0
+%assign %%regs 5
+%if cpuflag(sse4)
+    %assign %%regs %%regs-1
+%endif
+%if ARCH_X86_64 == 0
+    %assign %%regs %%regs+1      ; t0-t4 are volatile on x86-64
+%endif
+cglobal optimize_chroma_2x2_dc, 0,%%regs,7
+    movifnidn t0, r0mp
+    movd      m2, r1m
+    movq      m1, [t0]
+%if cpuflag(sse4)
+    pcmpeqb   m4, m4
+    pslld     m4, 11
+%else
+    pxor      m4, m4
+%endif
+%if cpuflag(ssse3)
+    mova      m3, [chroma_dc_dct_mask]
+    mova      m5, [chroma_dc_dmf_mask]
+%else
+    mova      m3, [chroma_dc_dct_mask_mmx]
+    mova      m5, [chroma_dc_dmf_mask_mmx]
+%endif
+    pshuflw   m2, m2, 0
+    pshufd    m0, m1, q0101      ;  1  0  3  2  1  0  3  2
+    punpcklqdq m2, m2
+    punpcklqdq m1, m1            ;  3  2  1  0  3  2  1  0
+    mova      m6, [pd_1024]      ; 32<<5, elements are shifted 5 bits to the left
+    PSIGNW    m0, m3             ; -1 -0  3  2 -1 -0  3  2
+    PSIGNW    m2, m5             ;  +  -  -  +  -  -  +  +
+    paddw     m0, m1             ; -1+3 -0+2  1+3  0+2 -1+3 -0+2  1+3  0+2
+    pmaddwd   m0, m2             ;  0-1-2+3  0-1+2-3  0+1-2-3  0+1+2+3  * dmf
+    punpcklwd m1, m1
+    psrad     m2, 16             ;  +  -  -  +
+    mov      t1d, 3
+    paddd     m0, m6
+    xor      t4d, t4d
+%if notcpuflag(ssse3)
+    psrad     m1, 31             ; has to be 0 or -1 in order for PSIGND_MMX to work correctly
+%endif
+%if cpuflag(sse4)
+    ptest     m0, m4
+%else
+    mova      m6, m0
+    SWAP       0, 6
+    psrad     m6, 11
+    pcmpeqd   m6, m4
+    pmovmskb t5d, m6
+    cmp      t5d, 0xffff
+%endif
+    jz .ret                      ; if the DC coefficients already round to zero, terminate early
+    mova      m3, m0
+.outer_loop:
+    movsx    t3d, word [t0+2*t1] ; dct[coeff]
+    pshufd    m6, m1, q3333
+    pshufd    m1, m1, q2100      ; move the next element to high dword
+    PSIGND    m5, m2, m6
+    test     t3d, t3d
+    jz .loop_end
+.outer_loop_0:
+    mov      t2d, t3d
+    sar      t3d, 31
+    or       t3d, 1
+.inner_loop:
+    psubd     m3, m5             ; coeff -= sign
+    pxor      m6, m0, m3
+%if cpuflag(sse4)
+    ptest     m6, m4
 %else
-INIT_MMX
-DEQUANT_DC mmxext, w
-INIT_XMM
-DEQUANT_DC sse2  , w
+    psrad     m6, 11
+    pcmpeqd   m6, m4
+    pmovmskb t5d, m6
+    cmp      t5d, 0xffff
 %endif
+    jz .round_coeff
+    paddd     m3, m5             ; coeff += sign
+    mov      t4d, 1
+.loop_end:
+    dec      t1d
+    jz .last_coeff
+    pshufd    m2, m2, q1320      ;  -  +  -  +  /  -  -  +  +
+    jg .outer_loop
+.ret:
+    REP_RET
+.round_coeff:
+    sub      t2d, t3d
+    mov [t0+2*t1], t2w
+    jnz .inner_loop
+    jmp .loop_end
+.last_coeff:
+    movsx    t3d, word [t0]
+    punpcklqdq m2, m2            ;  +  +  +  +
+    PSIGND    m5, m2, m1
+    test     t3d, t3d
+    jnz .outer_loop_0
+    REP_RET
+%endmacro
 
-%ifdef HIGH_BIT_DEPTH
+%if HIGH_BIT_DEPTH == 0
+INIT_XMM sse2
+OPTIMIZE_CHROMA_2x2_DC
+INIT_XMM ssse3
+OPTIMIZE_CHROMA_2x2_DC
+INIT_XMM sse4
+OPTIMIZE_CHROMA_2x2_DC
+INIT_XMM avx
+OPTIMIZE_CHROMA_2x2_DC
+%endif ; !HIGH_BIT_DEPTH
+
+%if HIGH_BIT_DEPTH
 ;-----------------------------------------------------------------------------
 ; void denoise_dct( int32_t *dct, uint32_t *sum, uint32_t *offset, int size )
 ;-----------------------------------------------------------------------------
-%macro DENOISE_DCT 1-2 0
-cglobal denoise_dct_%1, 4,5,%2
-    mov       r4d, [r0] ; backup DC coefficient
+%macro DENOISE_DCT 0
+cglobal denoise_dct, 4,4,8
     pxor      m6, m6
+    movsxdifnidn r3, r3d
 .loop:
-    sub       r3, mmsize/2
-    mova      m2, [r0+r3*4+0*mmsize]
-    mova      m3, [r0+r3*4+1*mmsize]
-    PABSD     m0, m2
-    PABSD     m1, m3
+    mova      m2, [r0+r3*4-2*mmsize]
+    mova      m3, [r0+r3*4-1*mmsize]
+    ABSD      m0, m2
+    ABSD      m1, m3
     mova      m4, m0
     mova      m5, m1
-    psubd     m0, [r2+r3*4+0*mmsize]
-    psubd     m1, [r2+r3*4+1*mmsize]
-    mova      m7, m0
-    pcmpgtd   m7, m6
+    psubd     m0, [r2+r3*4-2*mmsize]
+    psubd     m1, [r2+r3*4-1*mmsize]
+    pcmpgtd   m7, m0, m6
     pand      m0, m7
-    mova      m7, m1
-    pcmpgtd   m7, m6
+    pcmpgtd   m7, m1, m6
     pand      m1, m7
     PSIGND    m0, m2
     PSIGND    m1, m3
-    mova      [r0+r3*4+0*mmsize], m0
-    mova      [r0+r3*4+1*mmsize], m1
-    paddd     m4, [r1+r3*4+0*mmsize]
-    paddd     m5, [r1+r3*4+1*mmsize]
-    mova      [r1+r3*4+0*mmsize], m4
-    mova      [r1+r3*4+1*mmsize], m5
+    mova      [r0+r3*4-2*mmsize], m0
+    mova      [r0+r3*4-1*mmsize], m1
+    paddd     m4, [r1+r3*4-2*mmsize]
+    paddd     m5, [r1+r3*4-1*mmsize]
+    mova      [r1+r3*4-2*mmsize], m4
+    mova      [r1+r3*4-1*mmsize], m5
+    sub       r3, mmsize/2
     jg .loop
-    mov       [r0], r4d ; restore DC coefficient
-    RET
+    REP_RET
 %endmacro
 
-%define PABSD PABSD_MMX
-%define PSIGND PSIGND_MMX
-%ifndef ARCH_X86_64
-INIT_MMX
-DENOISE_DCT mmx
+%if ARCH_X86_64 == 0
+INIT_MMX mmx
+DENOISE_DCT
 %endif
-INIT_XMM
-DENOISE_DCT sse2, 8
-%define PABSD PABSD_SSSE3
-%define PSIGND PSIGND_SSSE3
-DENOISE_DCT ssse3, 8
+INIT_XMM sse2
+DENOISE_DCT
+INIT_XMM ssse3
+DENOISE_DCT
+INIT_XMM avx
+DENOISE_DCT
 
 %else ; !HIGH_BIT_DEPTH
 
 ;-----------------------------------------------------------------------------
 ; void denoise_dct( int16_t *dct, uint32_t *sum, uint16_t *offset, int size )
 ;-----------------------------------------------------------------------------
-%macro DENOISE_DCT 1-2 0
-cglobal denoise_dct_%1, 4,5,%2
-    movzx     r4d, word [r0]
+%macro DENOISE_DCT 0
+cglobal denoise_dct, 4,4,7
     pxor      m6, m6
+    movsxdifnidn r3, r3d
 .loop:
+    mova      m2, [r0+r3*2-2*mmsize]
+    mova      m3, [r0+r3*2-1*mmsize]
+    ABSW      m0, m2, sign
+    ABSW      m1, m3, sign
+    psubusw   m4, m0, [r2+r3*2-2*mmsize]
+    psubusw   m5, m1, [r2+r3*2-1*mmsize]
+    PSIGNW    m4, m2
+    PSIGNW    m5, m3
+    mova      [r0+r3*2-2*mmsize], m4
+    mova      [r0+r3*2-1*mmsize], m5
+    punpcklwd m2, m0, m6
+    punpcklwd m3, m1, m6
+    punpckhwd m0, m6
+    punpckhwd m1, m6
+    paddd     m2, [r1+r3*4-4*mmsize]
+    paddd     m0, [r1+r3*4-3*mmsize]
+    paddd     m3, [r1+r3*4-2*mmsize]
+    paddd     m1, [r1+r3*4-1*mmsize]
+    mova      [r1+r3*4-4*mmsize], m2
+    mova      [r1+r3*4-3*mmsize], m0
+    mova      [r1+r3*4-2*mmsize], m3
+    mova      [r1+r3*4-1*mmsize], m1
     sub       r3, mmsize
-    mova      m2, [r0+r3*2+0*mmsize]
-    mova      m3, [r0+r3*2+1*mmsize]
-    PABSW     m0, m2
-    PABSW     m1, m3
-    mova      m4, m0
-    mova      m5, m1
-    psubusw   m0, [r2+r3*2+0*mmsize]
-    psubusw   m1, [r2+r3*2+1*mmsize]
-    PSIGNW    m0, m2
-    PSIGNW    m1, m3
-    mova      [r0+r3*2+0*mmsize], m0
-    mova      [r0+r3*2+1*mmsize], m1
-    mova      m2, m4
-    mova      m3, m5
-    punpcklwd m4, m6
-    punpckhwd m2, m6
-    punpcklwd m5, m6
-    punpckhwd m3, m6
-    paddd     m4, [r1+r3*4+0*mmsize]
-    paddd     m2, [r1+r3*4+1*mmsize]
-    paddd     m5, [r1+r3*4+2*mmsize]
-    paddd     m3, [r1+r3*4+3*mmsize]
-    mova      [r1+r3*4+0*mmsize], m4
-    mova      [r1+r3*4+1*mmsize], m2
-    mova      [r1+r3*4+2*mmsize], m5
-    mova      [r1+r3*4+3*mmsize], m3
     jg .loop
-    mov       [r0], r4w
-    RET
+    REP_RET
 %endmacro
 
-%define PABSW PABSW_MMX
-%define PSIGNW PSIGNW_MMX
-%ifndef ARCH_X86_64
-INIT_MMX
-DENOISE_DCT mmx
+%if ARCH_X86_64 == 0
+INIT_MMX mmx
+DENOISE_DCT
 %endif
-INIT_XMM
-DENOISE_DCT sse2, 7
-%define PABSW PABSW_SSSE3
-%define PSIGNW PSIGNW_SSSE3
-DENOISE_DCT ssse3, 7
+INIT_XMM sse2
+DENOISE_DCT
+INIT_XMM ssse3
+DENOISE_DCT
+INIT_XMM avx
+DENOISE_DCT
 
 %endif ; !HIGH_BIT_DEPTH
 
@@ -854,27 +851,17 @@ DENOISE_DCT ssse3, 7
 ; int decimate_score( dctcoef *dct )
 ;-----------------------------------------------------------------------------
 
-%macro DECIMATE_MASK_SSE2 7
-%ifdef HIGH_BIT_DEPTH
+%macro DECIMATE_MASK 5
+%if mmsize==16
+%if HIGH_BIT_DEPTH
     movdqa   xmm0, [%3+ 0]
     movdqa   xmm1, [%3+32]
     packssdw xmm0, [%3+16]
     packssdw xmm1, [%3+48]
-%if %7
-    pabsw    xmm0, xmm0
-    pabsw    xmm1, xmm1
+    ABSW2    xmm0, xmm1, xmm0, xmm1, xmm3, xmm4
 %else
-    ABS2_MMX xmm0, xmm1, xmm3, xmm4
-%endif
-%else
-%if %7
-    pabsw    xmm0, [%3+ 0]
-    pabsw    xmm1, [%3+16]
-%else
-    movdqa   xmm0, [%3+ 0]
-    movdqa   xmm1, [%3+16]
-    ABS2_MMX xmm0, xmm1, xmm3, xmm4
-%endif
+    ABSW     xmm0, [%3+ 0], xmm3
+    ABSW     xmm1, [%3+16], xmm4
 %endif
     packsswb xmm0, xmm1
     pxor     xmm2, xmm2
@@ -882,10 +869,9 @@ DENOISE_DCT ssse3, 7
     pcmpgtb  xmm0, %4
     pmovmskb %1, xmm2
     pmovmskb %2, xmm0
-%endmacro
 
-%macro DECIMATE_MASK_MMX 7
-%ifdef HIGH_BIT_DEPTH
+%else ; mmsize==8
+%if HIGH_BIT_DEPTH
     movq      mm0, [%3+ 0]
     movq      mm1, [%3+16]
     movq      mm2, [%3+32]
@@ -900,8 +886,8 @@ DENOISE_DCT ssse3, 7
     movq      mm2, [%3+16]
     movq      mm3, [%3+24]
 %endif
-    ABS2_MMX  mm0, mm1, mm6, mm7
-    ABS2_MMX  mm2, mm3, mm6, mm7
+    ABSW2     mm0, mm1, mm0, mm1, mm6, mm7
+    ABSW2     mm2, mm3, mm2, mm3, mm6, mm7
     packsswb  mm0, mm1
     packsswb  mm2, mm3
     pxor      mm4, mm4
@@ -910,34 +896,35 @@ DENOISE_DCT ssse3, 7
     pcmpeqb   mm6, mm2
     pcmpgtb   mm0, %4
     pcmpgtb   mm2, %4
-    pmovmskb   %6, mm4
+    pmovmskb   %5, mm4
     pmovmskb   %1, mm6
     shl        %1, 8
-    or         %1, %6
-    pmovmskb   %6, mm0
+    or         %1, %5
+    pmovmskb   %5, mm0
     pmovmskb   %2, mm2
     shl        %2, 8
-    or         %2, %6
+    or         %2, %5
+%endif
 %endmacro
 
 cextern decimate_table4
 cextern decimate_table8
 
-%macro DECIMATE4x4 4
+%macro DECIMATE4x4 1
 
-;A LUT is faster than bsf on AMD processors.
+;A LUT is faster than bsf on older AMD processors.
 ;This is not true for score64.
-cglobal decimate_score%1_%2, 1,3
+cglobal decimate_score%1, 1,3
 %ifdef PIC
-    lea r10, [decimate_table4]
-    lea r11, [decimate_mask_table4]
-    %define table r10
-    %define mask_table r11
+    lea r4, [decimate_table4]
+    lea r5, [decimate_mask_table4]
+    %define table r4
+    %define mask_table r5
 %else
     %define table decimate_table4
     %define mask_table decimate_mask_table4
 %endif
-    DECIMATE_MASK edx, eax, r0, [pb_1], %2, ecx, %4
+    DECIMATE_MASK edx, eax, r0, [pb_1], ecx
     xor   edx, 0xffff
     je   .ret
     test  eax, eax
@@ -945,7 +932,7 @@ cglobal decimate_score%1_%2, 1,3
 %if %1==15
     shr   edx, 1
 %endif
-%if %3==1
+%if cpuflag(slowctz)
     movzx ecx, dl
     movzx eax, byte [mask_table + rcx]
     cmp   edx, ecx
@@ -960,7 +947,7 @@ cglobal decimate_score%1_%2, 1,3
     add    al, byte [mask_table + rdx]
 %else
 .loop:
-    bsf   ecx, edx
+    tzcnt ecx, edx
     shr   edx, cl
     add    al, byte [table + rcx]
     shr   edx, 1
@@ -974,53 +961,57 @@ cglobal decimate_score%1_%2, 1,3
 
 %endmacro
 
-%ifndef ARCH_X86_64
-%define DECIMATE_MASK DECIMATE_MASK_MMX
-DECIMATE4x4 15, mmxext, 0, 0
-DECIMATE4x4 16, mmxext, 0, 0
-DECIMATE4x4 15, mmxext_slowctz, 1, 0
-DECIMATE4x4 16, mmxext_slowctz, 1, 0
+%if ARCH_X86_64 == 0
+INIT_MMX mmx2
+DECIMATE4x4 15
+DECIMATE4x4 16
+INIT_MMX mmx2, slowctz
+DECIMATE4x4 15
+DECIMATE4x4 16
 %endif
-%define DECIMATE_MASK DECIMATE_MASK_SSE2
-DECIMATE4x4 15, sse2, 0, 0
-DECIMATE4x4 16, sse2, 0, 0
-DECIMATE4x4 15, sse2_slowctz, 1, 0
-DECIMATE4x4 16, sse2_slowctz, 1, 0
-DECIMATE4x4 15, ssse3, 0, 1
-DECIMATE4x4 16, ssse3, 0, 1
-DECIMATE4x4 15, ssse3_slowctz, 1, 1
-DECIMATE4x4 16, ssse3_slowctz, 1, 1
-
-%macro DECIMATE8x8 2
-
-%ifdef ARCH_X86_64
-cglobal decimate_score64_%1, 1,4
+INIT_XMM sse2
+DECIMATE4x4 15
+DECIMATE4x4 16
+INIT_XMM sse2, slowctz
+DECIMATE4x4 15
+DECIMATE4x4 16
+INIT_XMM ssse3
+DECIMATE4x4 15
+DECIMATE4x4 16
+INIT_XMM ssse3, slowctz
+DECIMATE4x4 15
+DECIMATE4x4 16
+
+%macro DECIMATE8x8 0
+
+%if ARCH_X86_64
+cglobal decimate_score64, 1,5
 %ifdef PIC
-    lea r10, [decimate_table8]
-    %define table r10
+    lea r4, [decimate_table8]
+    %define table r4
 %else
     %define table decimate_table8
 %endif
     mova  m5, [pb_1]
-    DECIMATE_MASK r1d, eax, r0+SIZEOF_DCTCOEF* 0, m5, %1, null, %2
+    DECIMATE_MASK r1d, eax, r0+SIZEOF_DCTCOEF* 0, m5, null
     test  eax, eax
     jne  .ret9
-    DECIMATE_MASK r2d, eax, r0+SIZEOF_DCTCOEF*16, m5, %1, null, %2
+    DECIMATE_MASK r2d, eax, r0+SIZEOF_DCTCOEF*16, m5, null
     shl   r2d, 16
     or    r1d, r2d
-    DECIMATE_MASK r2d, r3d, r0+SIZEOF_DCTCOEF*32, m5, %1, null, %2
+    DECIMATE_MASK r2d, r3d, r0+SIZEOF_DCTCOEF*32, m5, null
     shl   r2, 32
     or    eax, r3d
     or    r1, r2
-    DECIMATE_MASK r2d, r3d, r0+SIZEOF_DCTCOEF*48, m5, %1, null, %2
+    DECIMATE_MASK r2d, r3d, r0+SIZEOF_DCTCOEF*48, m5, null
     shl   r2, 48
     or    r1, r2
     xor   r1, -1
     je   .ret
-    or    eax, r3d
+    add   eax, r3d
     jne  .ret9
 .loop:
-    bsf   rcx, r1
+    tzcnt rcx, r1
     shr   r1, cl
     add   al, byte [table + rcx]
     shr   r1, 1
@@ -1032,31 +1023,31 @@ cglobal decimate_score64_%1, 1,4
     RET
 
 %else ; ARCH
-%ifidn %1, mmxext
-cglobal decimate_score64_%1, 1,6
+%if mmsize == 8
+cglobal decimate_score64, 1,6
 %else
-cglobal decimate_score64_%1, 1,5
+cglobal decimate_score64, 1,5
 %endif
     mova  m5, [pb_1]
-    DECIMATE_MASK r3, r2, r0+SIZEOF_DCTCOEF* 0, m5, %1, r5, %2
+    DECIMATE_MASK r3, r2, r0+SIZEOF_DCTCOEF* 0, m5, r5
     test  r2, r2
     jne  .ret9
-    DECIMATE_MASK r4, r2, r0+SIZEOF_DCTCOEF*16, m5, %1, r5, %2
+    DECIMATE_MASK r4, r2, r0+SIZEOF_DCTCOEF*16, m5, r5
     shl   r4, 16
     or    r3, r4
-    DECIMATE_MASK r4, r1, r0+SIZEOF_DCTCOEF*32, m5, %1, r5, %2
+    DECIMATE_MASK r4, r1, r0+SIZEOF_DCTCOEF*32, m5, r5
     or    r2, r1
-    DECIMATE_MASK r1, r0, r0+SIZEOF_DCTCOEF*48, m5, %1, r5, %2
+    DECIMATE_MASK r1, r0, r0+SIZEOF_DCTCOEF*48, m5, r5
     shl   r1, 16
     or    r4, r1
     xor   r3, -1
     je   .tryret
     xor   r4, -1
 .cont:
-    or    r0, r2
+    add   r0, r2
     jne  .ret9      ;r0 is zero at this point, so we don't need to zero it
 .loop:
-    bsf   ecx, r3
+    tzcnt ecx, r3
     test  r3, r3
     je   .largerun
     shrd  r3, r4, cl
@@ -1082,7 +1073,7 @@ cglobal decimate_score64_%1, 1,5
 .largerun:
     mov   r3, r4
     xor   r4, r4
-    bsf   ecx, r3
+    tzcnt ecx, r3
     shr   r3, cl
     shr   r3, 1
     jne  .loop
@@ -1091,219 +1082,282 @@ cglobal decimate_score64_%1, 1,5
 
 %endmacro
 
-%ifndef ARCH_X86_64
-INIT_MMX
-%define DECIMATE_MASK DECIMATE_MASK_MMX
-DECIMATE8x8 mmxext, 0
+%if ARCH_X86_64 == 0
+INIT_MMX mmx2
+DECIMATE8x8
 %endif
-INIT_XMM
-%define DECIMATE_MASK DECIMATE_MASK_SSE2
-DECIMATE8x8 sse2, 0
-DECIMATE8x8 ssse3, 1
+INIT_XMM sse2
+DECIMATE8x8
+INIT_XMM ssse3
+DECIMATE8x8
 
 ;-----------------------------------------------------------------------------
 ; int coeff_last( dctcoef *dct )
 ;-----------------------------------------------------------------------------
 
-%macro LAST_X86 3
+%macro BSR 3
+%if cpuflag(lzcnt)
+    lzcnt %1, %2
+    xor %1, %3
+%else
     bsr %1, %2
+%endif
 %endmacro
 
-%macro LAST_SSE4A 3
+%macro LZCOUNT 3
+%if cpuflag(lzcnt)
     lzcnt %1, %2
+%else
+    bsr %1, %2
     xor %1, %3
+%endif
 %endmacro
 
-%ifdef HIGH_BIT_DEPTH
-%macro LAST_MASK4_MMX 2-3
-    movq     mm0, [%2]
-    packssdw mm0, [%2+8]
+%if HIGH_BIT_DEPTH
+%macro LAST_MASK 3-4
+%if %1 == 4
+    movq     mm0, [%3]
+    packssdw mm0, [%3+8]
     packsswb mm0, mm0
     pcmpeqb  mm0, mm2
-    pmovmskb  %1, mm0
-%endmacro
-
-%macro LAST_MASK_SSE2 2-3
-    movdqa   xmm0, [%2+ 0]
-    movdqa   xmm1, [%2+32]
-    packssdw xmm0, [%2+16]
-    packssdw xmm1, [%2+48]
+    pmovmskb  %2, mm0
+%elif mmsize == 16
+    movdqa   xmm0, [%3+ 0]
+%if %1 == 8
+    packssdw xmm0, [%3+16]
+    packsswb xmm0, xmm0
+%else
+    movdqa   xmm1, [%3+32]
+    packssdw xmm0, [%3+16]
+    packssdw xmm1, [%3+48]
     packsswb xmm0, xmm1
+%endif
     pcmpeqb  xmm0, xmm2
-    pmovmskb   %1, xmm0
-%endmacro
-
-%macro LAST_MASK_MMX 3
-    movq     mm0, [%2+ 0]
-    movq     mm1, [%2+16]
-    packssdw mm0, [%2+ 8]
-    packssdw mm1, [%2+24]
-    movq     mm3, [%2+32]
-    movq     mm4, [%2+48]
-    packssdw mm3, [%2+40]
-    packssdw mm4, [%2+56]
+    pmovmskb   %2, xmm0
+%elif %1 == 8
+    movq     mm0, [%3+ 0]
+    movq     mm1, [%3+16]
+    packssdw mm0, [%3+ 8]
+    packssdw mm1, [%3+24]
+    packsswb mm0, mm1
+    pcmpeqb  mm0, mm2
+    pmovmskb  %2, mm0
+%else
+    movq     mm0, [%3+ 0]
+    movq     mm1, [%3+16]
+    packssdw mm0, [%3+ 8]
+    packssdw mm1, [%3+24]
+    movq     mm3, [%3+32]
+    movq     mm4, [%3+48]
+    packssdw mm3, [%3+40]
+    packssdw mm4, [%3+56]
     packsswb mm0, mm1
     packsswb mm3, mm4
     pcmpeqb  mm0, mm2
     pcmpeqb  mm3, mm2
-    pmovmskb  %1, mm0
-    pmovmskb  %3, mm3
-    shl       %3, 8
-    or        %1, %3
+    pmovmskb  %2, mm0
+    pmovmskb  %4, mm3
+    shl       %4, 8
+    or        %2, %4
+%endif
 %endmacro
-%else ; !HIGH_BIT_DEPTH
-%macro LAST_MASK4_MMX 2-3
-    movq     mm0, [%2]
-    packsswb mm0, mm0
-    pcmpeqb  mm0, mm2
-    pmovmskb  %1, mm0
+
+%macro COEFF_LAST4 0
+cglobal coeff_last4, 1,3
+    pxor mm2, mm2
+    LAST_MASK 4, r1d, r0
+    xor  r1d, 0xff
+    shr  r1d, 4
+    BSR  eax, r1d, 0x1f
+    RET
 %endmacro
 
-%macro LAST_MASK_SSE2 2-3
-    movdqa   xmm0, [%2+ 0]
-    packsswb xmm0, [%2+16]
-    pcmpeqb  xmm0, xmm2
-    pmovmskb   %1, xmm0
+INIT_MMX mmx2
+COEFF_LAST4
+INIT_MMX mmx2, lzcnt
+COEFF_LAST4
+
+%macro COEFF_LAST8 0
+cglobal coeff_last8, 1,3
+    pxor m2, m2
+    LAST_MASK 8, r1d, r0
+%if mmsize == 16
+    xor r1d, 0xffff
+    shr r1d, 8
+%else
+    xor r1d, 0xff
+%endif
+    BSR eax, r1d, 0x1f
+    RET
 %endmacro
 
-%macro LAST_MASK_MMX 3
-    movq     mm0, [%2+ 0]
-    movq     mm1, [%2+16]
-    packsswb mm0, [%2+ 8]
-    packsswb mm1, [%2+24]
+%if ARCH_X86_64 == 0
+INIT_MMX mmx2
+COEFF_LAST8
+%endif
+INIT_XMM sse2
+COEFF_LAST8
+INIT_XMM sse2, lzcnt
+COEFF_LAST8
+
+%else ; !HIGH_BIT_DEPTH
+%macro LAST_MASK 3-4
+%if %1 <= 8
+    movq     mm0, [%3+ 0]
+%if %1 == 4
+    packsswb mm0, mm0
+%else
+    packsswb mm0, [%3+ 8]
+%endif
+    pcmpeqb  mm0, mm2
+    pmovmskb  %2, mm0
+%elif mmsize == 16
+    movdqa   xmm0, [%3+ 0]
+    packsswb xmm0, [%3+16]
+    pcmpeqb  xmm0, xmm2
+    pmovmskb   %2, xmm0
+%else
+    movq     mm0, [%3+ 0]
+    movq     mm1, [%3+16]
+    packsswb mm0, [%3+ 8]
+    packsswb mm1, [%3+24]
     pcmpeqb  mm0, mm2
     pcmpeqb  mm1, mm2
-    pmovmskb  %1, mm0
-    pmovmskb  %3, mm1
-    shl       %3, 8
-    or        %1, %3
+    pmovmskb  %2, mm0
+    pmovmskb  %4, mm1
+    shl       %4, 8
+    or        %2, %4
+%endif
 %endmacro
 
-%macro COEFF_LAST4 1
-%ifdef ARCH_X86_64
-cglobal coeff_last4_%1, 1,1
-    LAST rax, [r0], 0x3f
+%macro COEFF_LAST48 0
+%if ARCH_X86_64
+cglobal coeff_last4, 1,1
+    BSR  rax, [r0], 0x3f
     shr  eax, 4
     RET
 %else
-cglobal coeff_last4_%1, 0,3
+cglobal coeff_last4, 0,3
     mov   edx, r0mp
     mov   eax, [edx+4]
     xor   ecx, ecx
     test  eax, eax
     cmovz eax, [edx]
     setnz cl
-    LAST  eax, eax, 0x1f
+    BSR   eax, eax, 0x1f
     shr   eax, 4
     lea   eax, [eax+ecx*2]
     RET
 %endif
+
+cglobal coeff_last8, 1,3
+    pxor m2, m2
+    LAST_MASK 8, r1d, r0, r2d
+    xor r1d, 0xff
+    BSR eax, r1d, 0x1f
+    RET
 %endmacro
 
-%define LAST LAST_X86
-COEFF_LAST4 mmxext
-%define LAST LAST_SSE4A
-COEFF_LAST4 mmxext_lzcnt
+INIT_MMX mmx2
+COEFF_LAST48
+INIT_MMX mmx2, lzcnt
+COEFF_LAST48
 %endif ; HIGH_BIT_DEPTH
 
-%macro COEFF_LAST 1
-cglobal coeff_last15_%1, 1,3
+%macro COEFF_LAST 0
+cglobal coeff_last15, 1,3
     pxor m2, m2
-    LAST_MASK r1d, r0-SIZEOF_DCTCOEF, r2d
+    LAST_MASK 15, r1d, r0-SIZEOF_DCTCOEF, r2d
     xor r1d, 0xffff
-    LAST eax, r1d, 0x1f
+    BSR eax, r1d, 0x1f
     dec eax
     RET
 
-cglobal coeff_last16_%1, 1,3
+cglobal coeff_last16, 1,3
     pxor m2, m2
-    LAST_MASK r1d, r0, r2d
+    LAST_MASK 16, r1d, r0, r2d
     xor r1d, 0xffff
-    LAST eax, r1d, 0x1f
+    BSR eax, r1d, 0x1f
     RET
 
-%ifndef ARCH_X86_64
-cglobal coeff_last64_%1, 1, 5-mmsize/16
+%if ARCH_X86_64 == 0
+cglobal coeff_last64, 1, 5-mmsize/16
     pxor m2, m2
-    LAST_MASK r2d, r0+SIZEOF_DCTCOEF* 32, r4d
-    LAST_MASK r3d, r0+SIZEOF_DCTCOEF* 48, r4d
+    LAST_MASK 16, r2d, r0+SIZEOF_DCTCOEF* 32, r4d
+    LAST_MASK 16, r3d, r0+SIZEOF_DCTCOEF* 48, r4d
     shl r3d, 16
     or  r2d, r3d
     xor r2d, -1
     jne .secondhalf
-    LAST_MASK r1d, r0+SIZEOF_DCTCOEF* 0, r4d
-    LAST_MASK r3d, r0+SIZEOF_DCTCOEF*16, r4d
+    LAST_MASK 16, r1d, r0+SIZEOF_DCTCOEF* 0, r4d
+    LAST_MASK 16, r3d, r0+SIZEOF_DCTCOEF*16, r4d
     shl r3d, 16
     or  r1d, r3d
     not r1d
-    LAST eax, r1d, 0x1f
+    BSR eax, r1d, 0x1f
     RET
 .secondhalf:
-    LAST eax, r2d, 0x1f
+    BSR eax, r2d, 0x1f
     add eax, 32
     RET
 %else
-cglobal coeff_last64_%1, 1,4
+cglobal coeff_last64, 1,4
     pxor m2, m2
-    LAST_MASK_SSE2 r1d, r0+SIZEOF_DCTCOEF* 0
-    LAST_MASK_SSE2 r2d, r0+SIZEOF_DCTCOEF*16
-    LAST_MASK_SSE2 r3d, r0+SIZEOF_DCTCOEF*32
-    LAST_MASK_SSE2 r0d, r0+SIZEOF_DCTCOEF*48
+    LAST_MASK 16, r1d, r0+SIZEOF_DCTCOEF* 0
+    LAST_MASK 16, r2d, r0+SIZEOF_DCTCOEF*16
+    LAST_MASK 16, r3d, r0+SIZEOF_DCTCOEF*32
+    LAST_MASK 16, r0d, r0+SIZEOF_DCTCOEF*48
     shl r2d, 16
     shl r0d, 16
     or  r1d, r2d
     or  r3d, r0d
-    shl r3,  32
-    or  r1,  r3
-    not r1
-    LAST rax, r1, 0x3f
+    shl  r3, 32
+    or   r1, r3
+    not  r1
+    BSR rax, r1, 0x3f
     RET
 %endif
 %endmacro
 
-%define LAST LAST_X86
-%ifndef ARCH_X86_64
-INIT_MMX
-%define LAST_MASK LAST_MASK_MMX
-COEFF_LAST mmxext
+%if ARCH_X86_64 == 0
+INIT_MMX mmx2
+COEFF_LAST
 %endif
-INIT_XMM
-%define LAST_MASK LAST_MASK_SSE2
-COEFF_LAST sse2
-%define LAST LAST_SSE4A
-COEFF_LAST sse2_lzcnt
+INIT_XMM sse2
+COEFF_LAST
+INIT_XMM sse2, lzcnt
+COEFF_LAST
 
 ;-----------------------------------------------------------------------------
 ; int coeff_level_run( dctcoef *dct, run_level_t *runlevel )
 ;-----------------------------------------------------------------------------
 
-%macro LZCOUNT_X86 3
-    bsr %1, %2
-    xor %1, %3
-%endmacro
-
-%macro LZCOUNT_SSE4A 3
-    lzcnt %1, %2
-%endmacro
-
 ; t6 = eax for return, t3 = ecx for shift, t[01] = r[01] for x86_64 args
-%ifdef WIN64
+%if WIN64
     DECLARE_REG_TMP 3,1,2,0,4,5,6
-%elifdef ARCH_X86_64
+%elif ARCH_X86_64
     DECLARE_REG_TMP 0,1,2,3,4,5,6
 %else
     DECLARE_REG_TMP 6,3,2,1,4,5,0
 %endif
 
-%macro COEFF_LEVELRUN 2
-cglobal coeff_level_run%2_%1,0,7
+%macro COEFF_LEVELRUN 1
+cglobal coeff_level_run%1,0,7
     movifnidn t0, r0mp
     movifnidn t1, r1mp
     pxor    m2, m2
-    LAST_MASK t5d, t0-(%2&1)*SIZEOF_DCTCOEF, t4d
-    not    t5d
-    shl    t5d, 32-((%2+1)&~1)
-    mov    t4d, %2-1
+    LAST_MASK %1, t5d, t0-(%1&1)*SIZEOF_DCTCOEF, t4d
+%if %1==15
+    shr    t5d, 1
+%elif %1==8
+    and    t5d, 0xff
+%elif %1==4
+    and    t5d, 0xf
+%endif
+    xor    t5d, (1<<%1)-1
+    mov [t1+4], t5d
+    shl    t5d, 32-%1
+    mov    t4d, %1-1
     LZCOUNT t3d, t5d, 0x1f
     xor    t6d, t6d
     add    t5d, t5d
@@ -1312,39 +1366,43 @@ cglobal coeff_level_run%2_%1,0,7
     mov   [t1], t4d
 .loop:
     LZCOUNT t3d, t5d, 0x1f
-%ifdef HIGH_BIT_DEPTH
+%if HIGH_BIT_DEPTH
     mov    t2d, [t0+t4*4]
-    mov   [t1+t6  +4+16*4], t3b
-    mov   [t1+t6*4+ 4], t2d
 %else
     mov    t2w, [t0+t4*2]
-    mov   [t1+t6  +4+16*2], t3b
-    mov   [t1+t6*2+ 4], t2w
 %endif
     inc    t3d
     shl    t5d, t3b
+%if HIGH_BIT_DEPTH
+    mov   [t1+t6*4+ 8], t2d
+%else
+    mov   [t1+t6*2+ 8], t2w
+%endif
     inc    t6d
     sub    t4d, t3d
     jge .loop
     REP_RET
 %endmacro
 
-INIT_MMX
-%define LZCOUNT LZCOUNT_X86
-%ifndef ARCH_X86_64
-%define LAST_MASK LAST_MASK_MMX
-COEFF_LEVELRUN mmxext, 15
-COEFF_LEVELRUN mmxext, 16
+INIT_MMX mmx2
+%if ARCH_X86_64 == 0
+COEFF_LEVELRUN 15
+COEFF_LEVELRUN 16
+%endif
+COEFF_LEVELRUN 4
+COEFF_LEVELRUN 8
+INIT_XMM sse2
+%if HIGH_BIT_DEPTH
+COEFF_LEVELRUN 8
+%endif
+COEFF_LEVELRUN 15
+COEFF_LEVELRUN 16
+INIT_XMM sse2, lzcnt
+%if HIGH_BIT_DEPTH
+COEFF_LEVELRUN 8
 %endif
-%define LAST_MASK LAST_MASK4_MMX
-COEFF_LEVELRUN mmxext, 4
-INIT_XMM
-%define LAST_MASK LAST_MASK_SSE2
-COEFF_LEVELRUN sse2, 15
-COEFF_LEVELRUN sse2, 16
-%define LZCOUNT LZCOUNT_SSE4A
-COEFF_LEVELRUN sse2_lzcnt, 15
-COEFF_LEVELRUN sse2_lzcnt, 16
-INIT_MMX
-%define LAST_MASK LAST_MASK4_MMX
-COEFF_LEVELRUN mmxext_lzcnt, 4
+COEFF_LEVELRUN 15
+COEFF_LEVELRUN 16
+INIT_MMX mmx2, lzcnt
+COEFF_LEVELRUN 4
+COEFF_LEVELRUN 8