SSEを使用して16ビット整数を255で分ける方法は？

Question

私は画像処理を扱います。私は当然知っている255は2

のパワーの倍数ではないので、私は、）（_mm_srli_epi16ようにシフト演算子を使用することはできません255

により16ビット整数SSEベクトルを分割する必要 整数を浮動小数点に変換し、除算を行った後、整数に変換することができます。

しかし、誰かが別の解決策を知っているかもしれない...

Answer 1

除算の整数近似値が255である：

inline int DivideBy255(int value) 
{ 
    return (value + 1 + (value >> 8)) >> 8; 
} 

だから、SSE2を使用して、それは次のようになります。

inline __m128i DivideI16By255(__m128i value) 
{ 
    return _mm_srli_epi16(_mm_add_epi16(
     _mm_add_epi16(value, _mm_set1_epi16(1)), _mm_srli_epi16(value, 8)), 8); 
} 

AVX2用：

inline __m256i DivideI16By255(__m256i value) 
{ 
    return _mm256_srli_epi16(_mm256_add_epi16(
     _mm256_add_epi16(value, _mm256_set1_epi16(1)), _mm256_srli_epi16(value, 8)), 8); 
} 

Altivecに0

（パワー）：NEONについて

typedef __vector int16_t v128_s16; 
const v128_s16 K16_0001 = {1, 1, 1, 1, 1, 1, 1, 1}; 
const v128_s16 K16_0008 = {8, 8, 8, 8, 8, 8, 8, 8}; 

inline v128_s16 DivideBy255(v128_s16 value) 
{ 
    return vec_sr(vec_add(vec_add(value, K16_0001), vec_sr(value, K16_0008)), K16_0008); 
} 

（ARM）：

inline int16x8_t DivideI16By255(int16x8_t value) 
{ 
    return vshrq_n_s16(vaddq_s16(
     vaddq_s16(value, vdupq_n_s16(1)), vshrq_n_s16(value, 8)), 8); 
} 

Answer 2

GCCはさらにHWORD(x * 0x8081) >> 7に簡略化することができるDWORD(x * 0x8081) >> 0x17、最終的にHWORD((x << 15) + (x << 7) + x) >> 7からunsigned shortあるx/255 X で最適化します。

#define MMX_DIV255_U16(x) _mm_srli_pi16(_mm_mulhi_pu16(x, _mm_set1_pi16((short)0x8081)), 7) 
#define SSE2_DIV255_U16(x) _mm_srli_epi16(_mm_mulhi_epu16(x, _mm_set1_epi16((short)0x8081)), 7) 
#define AVX2_DIV255_U16(x) _mm256_srli_epi16(_mm256_mulhi_epu16(x, _mm256_set1_epi16((short)0x8081)), 7) 

Answer 3

あなたはすべてのケースのために正確に正しい結果をしたい場合は、アントンがリンクされ、質問にMarc Glisse'sコメントからの助言に従ってください：SSE integer division?

利用GNU Cネイティブ

SIMDマクロは次のように見ることができ

typedef short vec_s16 __attribute__((vector_size(16))); 

vec_s16 div255(vec_s16 x){ return x/255; } // signed division 

    ; function arg x starts in xmm0 
    vpmulhw xmm1, xmm0, XMMWORD PTR .LC3[rip] ; a vector of set1(0x8081) 
    vpaddw xmm1, xmm1, xmm0 
    vpsraw xmm0, xmm0, 15  ; shift the original 
    vpsraw xmm1, xmm1, 7  ; shift the mulhi-and-add result 
    vpsubw xmm0, xmm1, xmm0 

.LC3: 
     .value -32639 
     .value -32639 
     ; repeated 

トンで：あなたの与えられたスカラー、and see what it doesによるベクトルの分割を発現するためのベクターの構文彼は答えを膨満感のリスク、ここでは、組み込み関数で再びです：godbolt出力で

__m128i div255_si128(__m128i x) { 
    __m128i tmp = _mm_mulhi_epi16(x, _mm_set1_epi16(0x8081)); 
    tmp = _mm_add_epi16(tmp, x); // There's no integer FMA that's usable here 
    x = _mm_srai_epi16(x, 15); // broadcast the sign bit 
    tmp = _mm_srai_epi16(tmp, 7); 
    return _mm_sub_epi16(tmp, x); 
} 

、gccがset1のためにメモリ内の同じ16Bの定数を使用するのに十分スマートで、それ自体を生成したためであることに注意してくださいdiv255です。 AFAIK、これは文字列定数マージのように機能します。