尝试将SSE2快速拐角得分代码转换为ARM Neon

我试图使用ARM Neon指令移植一些SSE2代码（快速角点检测器分数计算）。代码乍一看非常简单，但由于某些原因，结果不同。问题是，有时差异可能非常显著，有时相差2或3个值。如果有人能解释为什么会这样，那就太好了

这是密码

原SSE2:

__m128i q0 = _mm_set1_epi16(-1000), q1 = _mm_set1_epi16(1000);
for( k = 0; k < 16; k += 8 )
{
    __m128i v0 = _mm_loadu_si128((__m128i*)(d+k+1));
    __m128i v1 = _mm_loadu_si128((__m128i*)(d+k+2));
    __m128i a = _mm_min_epi16(v0, v1);
    __m128i b = _mm_max_epi16(v0, v1);
    v0 = _mm_loadu_si128((__m128i*)(d+k+3));
    a = _mm_min_epi16(a, v0);
    b = _mm_max_epi16(b, v0);
    v0 = _mm_loadu_si128((__m128i*)(d+k+4));
    a = _mm_min_epi16(a, v0);
    b = _mm_max_epi16(b, v0);
    v0 = _mm_loadu_si128((__m128i*)(d+k+5));
    a = _mm_min_epi16(a, v0);
    b = _mm_max_epi16(b, v0);
    v0 = _mm_loadu_si128((__m128i*)(d+k+6));
    a = _mm_min_epi16(a, v0);
    b = _mm_max_epi16(b, v0);
    v0 = _mm_loadu_si128((__m128i*)(d+k+7));
    a = _mm_min_epi16(a, v0);
    b = _mm_max_epi16(b, v0);
    v0 = _mm_loadu_si128((__m128i*)(d+k+8));
    a = _mm_min_epi16(a, v0);
    b = _mm_max_epi16(b, v0);
    v0 = _mm_loadu_si128((__m128i*)(d+k));
    q0 = _mm_max_epi16(q0, _mm_min_epi16(a, v0));
    q1 = _mm_min_epi16(q1, _mm_max_epi16(b, v0));
    v0 = _mm_loadu_si128((__m128i*)(d+k+9));
    q0 = _mm_max_epi16(q0, _mm_min_epi16(a, v0));
    q1 = _mm_min_epi16(q1, _mm_max_epi16(b, v0));
}
q0 = _mm_max_epi16(q0, _mm_sub_epi16(_mm_setzero_si128(), q1));
q0 = _mm_max_epi16(q0, _mm_unpackhi_epi64(q0, q0));
q0 = _mm_max_epi16(q0, _mm_srli_si128(q0, 4));
q0 = _mm_max_epi16(q0, _mm_srli_si128(q0, 2));
threshold = (short)_mm_cvtsi128_si32(q0) - 1;

int16x8_t q0 = vdupq_n_s16(-1000), q1 = vdupq_n_s16(1000);
int16x8_t zero = vdupq_n_s16(0);
for( k = 0; k < 16; k += 8 )
{
    int16x8_t v0 = vld1q_s16((const int16_t*)(d+k+1));
    int16x8_t v1 = vld1q_s16((const int16_t*)(d+k+2));
    int16x8_t a = vminq_s16(v0, v1);
    int16x8_t b = vmaxq_s16(v0, v1);
    v0 = vld1q_s16((const int16_t*)(d+k+3));
    a = vminq_s16(a, v0);
    b = vmaxq_s16(b, v0);
    v0 = vld1q_s16((const int16_t*)(d+k+4));
    a = vminq_s16(a, v0);
    b = vmaxq_s16(b, v0);
    v0 = vld1q_s16((const int16_t*)(d+k+5));
    a = vminq_s16(a, v0);
    b = vmaxq_s16(b, v0);
    v0 = vld1q_s16((const int16_t*)(d+k+6));
    a = vminq_s16(a, v0);
    b = vmaxq_s16(b, v0);
    v0 = vld1q_s16((const int16_t*)(d+k+7));
    a = vminq_s16(a, v0);
    b = vmaxq_s16(b, v0);
    v0 = vld1q_s16((const int16_t*)(d+k+8));
    a = vminq_s16(a, v0);
    b = vmaxq_s16(b, v0);
    v0 = vld1q_s16((const int16_t*)(d+k));
    q0 = vmaxq_s16(q0, vminq_s16(a, v0));
    q1 = vminq_s16(q1, vmaxq_s16(b, v0));
    v0 = vld1q_s16((const int16_t*)(d+k+9));
    q0 = vmaxq_s16(q0, vminq_s16(a, v0));
    q1 = vminq_s16(q1, vmaxq_s16(b, v0));
}
q0 = vmaxq_s16(q0, vsubq_s16(zero, q1));
// first mistake it produce wrong result
//q0 = vmaxq_s16(q0, vzipq_s16(q0, q0).val[1]);
// may be someone knows faster/better way?
int16x4_t a_hi = vget_high_s16(q0);
q1 = vcombine_s16(a_hi, a_hi);
q0 = vmaxq_s16(q0, q1);

// this is _mm_srli_si128(q0, 4)
q1 = vextq_s16(q0, zero, 2);

q0 = vmaxq_s16(q0, q1);

// this is _mm_srli_si128(q0, 2)
q1 = vextq_s16(q0, zero, 1);
q0 = vmaxq_s16(q0, q1);

// read the result
int16_t __attribute__ ((aligned (16))) x[8];
vst1q_s16(x, q0);

threshold = x[0] - 1;

\uuuum128i q0=\umm\uset1\uepi16（-1000），q1=\umm\uset1\uepi16（1000）；
对于（k=0；k<16；k+=8）
{
__m128i v0=_mm_loadu_si128（（u m128i*）（d+k+1））；
__m128i v1=_mm_loadu_si128（__m128i*）（d+k+2））；
__m128i a=_mm_min_epi16（v0，v1）；
__m128i b=_mm_max_epi16（v0，v1）；
v0=_mm_loadu_si128（（_m128i*）（d+k+3））；
a=_mm_min_epi16（a，v0）；
b=毫米最大值epi16（b，v0）；
v0=毫米荷载si128（（（m128i*）（d+k+4））；
a=_mm_min_epi16（a，v0）；
b=毫米最大值epi16（b，v0）；
v0=毫米荷载si128（（（m128i*）（d+k+5））；
a=_mm_min_epi16（a，v0）；
b=毫米最大值epi16（b，v0）；
v0=毫米荷载si128（（（m128i*）（d+k+6））；
a=_mm_min_epi16（a，v0）；
b=毫米最大值epi16（b，v0）；
v0=毫米荷载si128（（（m128i*）（d+k+7））；
a=_mm_min_epi16（a，v0）；
b=毫米最大值epi16（b，v0）；
v0=毫米荷载si128（（（m128i*）（d+k+8））；
a=_mm_min_epi16（a，v0）；
b=毫米最大值epi16（b，v0）；
v0=毫米荷载si128（（（m128i*）（d+k））；
q0=_mm_max_epi16（q0，_mm_min_epi16（a，v0））；
q1=最小值epi16（q1，最大值epi16（b，v0））；
v0=毫米荷载si128（（（m128i*）（d+k+9））；
q0=_mm_max_epi16（q0，_mm_min_epi16（a，v0））；
q1=最小值epi16（q1，最大值epi16（b，v0））；
}
q0=_mm_max_epi16（q0，_mm_sub_epi16（_mm_setzero_si128（），q1））；
q0=_-mm_-max_-epi16（q0，_-mm_-epi64（q0，q0））；
q0=_-mm_-max_-epi16（q0，_-mm_-srli_-si128（q0，4））；
q0=_mm_max_epi16（q0，_mm_srli_si128（q0，2））；
阈值=（短）_mm_cvtsi128_si32（q0）-1；

这是工作臂霓虹灯代码：

__m128i q0 = _mm_set1_epi16(-1000), q1 = _mm_set1_epi16(1000);
for( k = 0; k < 16; k += 8 )
{
    __m128i v0 = _mm_loadu_si128((__m128i*)(d+k+1));
    __m128i v1 = _mm_loadu_si128((__m128i*)(d+k+2));
    __m128i a = _mm_min_epi16(v0, v1);
    __m128i b = _mm_max_epi16(v0, v1);
    v0 = _mm_loadu_si128((__m128i*)(d+k+3));
    a = _mm_min_epi16(a, v0);
    b = _mm_max_epi16(b, v0);
    v0 = _mm_loadu_si128((__m128i*)(d+k+4));
    a = _mm_min_epi16(a, v0);
    b = _mm_max_epi16(b, v0);
    v0 = _mm_loadu_si128((__m128i*)(d+k+5));
    a = _mm_min_epi16(a, v0);
    b = _mm_max_epi16(b, v0);
    v0 = _mm_loadu_si128((__m128i*)(d+k+6));
    a = _mm_min_epi16(a, v0);
    b = _mm_max_epi16(b, v0);
    v0 = _mm_loadu_si128((__m128i*)(d+k+7));
    a = _mm_min_epi16(a, v0);
    b = _mm_max_epi16(b, v0);
    v0 = _mm_loadu_si128((__m128i*)(d+k+8));
    a = _mm_min_epi16(a, v0);
    b = _mm_max_epi16(b, v0);
    v0 = _mm_loadu_si128((__m128i*)(d+k));
    q0 = _mm_max_epi16(q0, _mm_min_epi16(a, v0));
    q1 = _mm_min_epi16(q1, _mm_max_epi16(b, v0));
    v0 = _mm_loadu_si128((__m128i*)(d+k+9));
    q0 = _mm_max_epi16(q0, _mm_min_epi16(a, v0));
    q1 = _mm_min_epi16(q1, _mm_max_epi16(b, v0));
}
q0 = _mm_max_epi16(q0, _mm_sub_epi16(_mm_setzero_si128(), q1));
q0 = _mm_max_epi16(q0, _mm_unpackhi_epi64(q0, q0));
q0 = _mm_max_epi16(q0, _mm_srli_si128(q0, 4));
q0 = _mm_max_epi16(q0, _mm_srli_si128(q0, 2));
threshold = (short)_mm_cvtsi128_si32(q0) - 1;

int16x8_t q0 = vdupq_n_s16(-1000), q1 = vdupq_n_s16(1000);
int16x8_t zero = vdupq_n_s16(0);
for( k = 0; k < 16; k += 8 )
{
    int16x8_t v0 = vld1q_s16((const int16_t*)(d+k+1));
    int16x8_t v1 = vld1q_s16((const int16_t*)(d+k+2));
    int16x8_t a = vminq_s16(v0, v1);
    int16x8_t b = vmaxq_s16(v0, v1);
    v0 = vld1q_s16((const int16_t*)(d+k+3));
    a = vminq_s16(a, v0);
    b = vmaxq_s16(b, v0);
    v0 = vld1q_s16((const int16_t*)(d+k+4));
    a = vminq_s16(a, v0);
    b = vmaxq_s16(b, v0);
    v0 = vld1q_s16((const int16_t*)(d+k+5));
    a = vminq_s16(a, v0);
    b = vmaxq_s16(b, v0);
    v0 = vld1q_s16((const int16_t*)(d+k+6));
    a = vminq_s16(a, v0);
    b = vmaxq_s16(b, v0);
    v0 = vld1q_s16((const int16_t*)(d+k+7));
    a = vminq_s16(a, v0);
    b = vmaxq_s16(b, v0);
    v0 = vld1q_s16((const int16_t*)(d+k+8));
    a = vminq_s16(a, v0);
    b = vmaxq_s16(b, v0);
    v0 = vld1q_s16((const int16_t*)(d+k));
    q0 = vmaxq_s16(q0, vminq_s16(a, v0));
    q1 = vminq_s16(q1, vmaxq_s16(b, v0));
    v0 = vld1q_s16((const int16_t*)(d+k+9));
    q0 = vmaxq_s16(q0, vminq_s16(a, v0));
    q1 = vminq_s16(q1, vmaxq_s16(b, v0));
}
q0 = vmaxq_s16(q0, vsubq_s16(zero, q1));
// first mistake it produce wrong result
//q0 = vmaxq_s16(q0, vzipq_s16(q0, q0).val[1]);
// may be someone knows faster/better way?
int16x4_t a_hi = vget_high_s16(q0);
q1 = vcombine_s16(a_hi, a_hi);
q0 = vmaxq_s16(q0, q1);

// this is _mm_srli_si128(q0, 4)
q1 = vextq_s16(q0, zero, 2);

q0 = vmaxq_s16(q0, q1);

// this is _mm_srli_si128(q0, 2)
q1 = vextq_s16(q0, zero, 1);
q0 = vmaxq_s16(q0, q1);

// read the result
int16_t __attribute__ ((aligned (16))) x[8];
vst1q_s16(x, q0);

threshold = x[0] - 1;

int16x8_t q0=vdupq_n_s16（-1000），q1=vdupq_n_s16（1000）；
int16x8_t zero=vdupq_n_s16（0）；
对于（k=0；k<16；k+=8）
{
int16x8_t v0=vld1q_s16（（常数int16_t*）（d+k+1））；
int16x8_t v1=vld1q_s16（（常数int16_t*）（d+k+2））；
int16x8_t a=vminq_s16（v0，v1）；
int16x8_t b=vmaxq_s16（v0，v1）；
v0=vld1q_s16（（常数int16_t*）（d+k+3））；
a=vminq_s16（a，v0）；
b=vmaxq_s16（b，v0）；
v0=vld1q_s16（（常数int16_t*）（d+k+4））；
a=vminq_s16（a，v0）；
b=vmaxq_s16（b，v0）；
v0=vld1q_s16（（常数int16_t*）（d+k+5））；
a=vminq_s16（a，v0）；
b=vmaxq_s16（b，v0）；
v0=vld1q_s16（（常数int16_t*）（d+k+6））；
a=vminq_s16（a，v0）；
b=vmaxq_s16（b，v0）；
v0=vld1q_s16（（常数int16_t*）（d+k+7））；
a=vminq_s16（a，v0）；
b=vmaxq_s16（b，v0）；
v0=vld1q_s16（（常数int16_t*）（d+k+8））；
a=vminq_s16（a，v0）；
b=vmaxq_s16（b，v0）；
v0=vld1q_s16（（常数int16_t*）（d+k））；
q0=vmaxq_s16（q0，vminq_s16（a，v0））；
q1=vminq_s16（q1，vmaxq_s16（b，v0））；
v0=vld1q_s16（（常数int16_t*）（d+k+9））；
q0=vmaxq_s16（q0，vminq_s16（a，v0））；
q1=vminq_s16（q1，vmaxq_s16（b，v0））；
}
q0=vmaxq_s16（q0，vsubq_s16（零，q1））；
//第一个错误会产生错误的结果
//q0=vmaxq_s16（q0，vzipq_s16（q0，q0）.val[1]）；
//也许有人知道更快/更好的方法？
int16x4_t a_hi=vget_high_s16（q0）；
q1=vcombine_s16（a_hi，a_hi）；
q0=vmaxq_s16（q0，q1）；
//这是_mm_srli_si128（q0，4）
q1=vextq_s16（q0，0，2）；
q0=vmaxq_s16（q0，q1）；
//这是_mm_srli_si128（q0，2）
q1=vextq_s16（q0，0，1）；
q0=vmaxq_s16（q0，q1）；
//阅读结果
int16_t__属性__（（对齐（16）））x[8]；
vst1q_s16（x，q0）；
阈值=x[0]-1；

这段代码似乎是正确的，所以如果有人发现它有用。。。

---

快速拐角检测器是目前最快的。有了这样小的优化，它可能在手机上运行得更快。

你的代码片段中的一些注释会有所帮助。你可以使用vextq和空寄存器来模拟你的_mm_srli_si128内在特性。嗯，我现在对_mm_srli_si128没有问题。问题是，与原始版本相比，整个代码有时返回错误的结果……构建一个结果不同的测试用例，找出结果不同的指令，然后修复问题。vmin和vmax就像SSE一样工作，所以很可能只是代码中有一点输入错误。。我认为问题在于SSE版本中的最终加载到整数。但如果我试着从我的数据中得到整数，结果会是非常大的数。。。顺便说一句，你能看看我加的霓虹灯吗？这是你刚才说的吗？塔克斯！