SSL jfdctint-sse2.asm

;
; Accurate integer FDCT (64-bit SSE2)
;
; Copyright 2009 Pierre Ossman <ossman@cendio.se> for Cendio AB
; Copyright (C) 2009, 2016, 2020, 2024-2025, D. R. Commander.
; Copyright (C) 2023, Aliaksiej Kandracienka.
;
; Based on the x86 SIMD extension for IJG JPEG library
; Copyright (C) 1999-2006, MIYASAKA Masaru.
; For conditions of distribution and use, see copyright notice in jsimdext.inc
;
; This file should be assembled with NASM (Netwide Assembler) or Yasm.
;
; This file contains a slower but more accurate integer implementation of the
; forward DCT (Discrete Cosine Transform).  The following code is based
; directly on the IJG's original jfdctint.c; see jfdctint.c for more details.

%include "jsimdext.inc"
%include "jdct.inc"

; --------------------------------------------------------------------------

%define CONST_BITS  13
%define PASS1_BITS  2

%define DESCALE_P1  (CONST_BITS - PASS1_BITS)
%define DESCALE_P2  (CONST_BITS + PASS1_BITS)

%if CONST_BITS == 13
F_0_298 equ  2446  ; FIX(0.298631336)
F_0_390 equ  3196  ; FIX(0.390180644)
F_0_541 equ  4433  ; FIX(0.541196100)
F_0_765 equ  6270  ; FIX(0.765366865)
F_0_899 equ  7373  ; FIX(0.899976223)
F_1_175 equ  9633  ; FIX(1.175875602)
F_1_501 equ 12299  ; FIX(1.501321110)
F_1_847 equ 15137  ; FIX(1.847759065)
F_1_961 equ 16069  ; FIX(1.961570560)
F_2_053 equ 16819  ; FIX(2.053119869)
F_2_562 equ 20995  ; FIX(2.562915447)
F_3_072 equ 25172  ; FIX(3.072711026)
%else
; NASM cannot do compile-time arithmetic on floating-point constants.
%define DESCALE(x, n)  (((x) + (1 << ((n) - 1))) >> (n))
F_0_298 equ DESCALE( 320652955, 30 - CONST_BITS)  ; FIX(0.298631336)
F_0_390 equ DESCALE( 418953276, 30 - CONST_BITS)  ; FIX(0.390180644)
F_0_541 equ DESCALE( 581104887, 30 - CONST_BITS)  ; FIX(0.541196100)
F_0_765 equ DESCALE( 821806413, 30 - CONST_BITS)  ; FIX(0.765366865)
F_0_899 equ DESCALE( 966342111, 30 - CONST_BITS)  ; FIX(0.899976223)
F_1_175 equ DESCALE(1262586813, 30 - CONST_BITS)  ; FIX(1.175875602)
F_1_501 equ DESCALE(1612031267, 30 - CONST_BITS)  ; FIX(1.501321110)
F_1_847 equ DESCALE(1984016188, 30 - CONST_BITS)  ; FIX(1.847759065)
F_1_961 equ DESCALE(2106220350, 30 - CONST_BITS)  ; FIX(1.961570560)
F_2_053 equ DESCALE(2204520673, 30 - CONST_BITS)  ; FIX(2.053119869)
F_2_562 equ DESCALE(2751909506, 30 - CONST_BITS)  ; FIX(2.562915447)
F_3_072 equ DESCALE(3299298341, 30 - CONST_BITS)  ; FIX(3.072711026)
%endif

; --------------------------------------------------------------------------
    SECTION     SEG_CONST

    ALIGNZ      32
    GLOBAL_DATA(jconst_fdct_islow_sse2)

EXTN(jconst_fdct_islow_sse2):

PW_F130_F054   times 4 dw  (F_0_541 + F_0_765),  F_0_541
PW_F054_MF130  times 4 dw  F_0_541, (F_0_541 - F_1_847)
PW_MF078_F117  times 4 dw  (F_1_175 - F_1_961),  F_1_175
PW_F117_F078   times 4 dw  F_1_175, (F_1_175 - F_0_390)
PW_MF060_MF089 times 4 dw  (F_0_298 - F_0_899), -F_0_899
PW_MF089_F060  times 4 dw -F_0_899, (F_1_501 - F_0_899)
PW_MF050_MF256 times 4 dw  (F_2_053 - F_2_562), -F_2_562
PW_MF256_F050  times 4 dw -F_2_562, (F_3_072 - F_2_562)
PD_DESCALE_P1  times 4 dd  1 << (DESCALE_P1 - 1)
PD_DESCALE_P2  times 4 dd  1 << (DESCALE_P2 - 1)
PW_DESCALE_P2X times 8 dw  1 << (PASS1_BITS - 1)

    ALIGNZ      32

; --------------------------------------------------------------------------
    SECTION     SEG_TEXT
    BITS        64

; Perform the forward DCT on one block of samples.
;
; GLOBAL(void)
; jsimd_fdct_islow_sse2(DCTELEM *data)
;
; r10 = DCTELEM *data

%define wk(i)   r15 - (WK_NUM - (i)) * SIZEOF_XMMWORD  ; xmmword wk[WK_NUM]
%define WK_NUM  6

    align       32
    GLOBAL_FUNCTION(jsimd_fdct_islow_sse2)

EXTN(jsimd_fdct_islow_sse2):
    ENDBR64
    push        rbp
    mov         rbp, rsp
    push        r15
    and         rsp, byte (-SIZEOF_XMMWORD)  ; align to 128 bits
    ; Allocate stack space for wk array.  r15 is used to access it.
    mov         r15, rsp
    sub         rsp, byte (SIZEOF_XMMWORD * WK_NUM)
    COLLECT_ARGS 1

    ; ---- Pass 1: process rows.

    mov         rdx, r10                ; (DCTELEM *)

    movdqa      xmm0, XMMWORD [XMMBLOCK(0, 0, rdx, SIZEOF_DCTELEM)]
    movdqa      xmm1, XMMWORD [XMMBLOCK(1, 0, rdx, SIZEOF_DCTELEM)]
    movdqa      xmm2, XMMWORD [XMMBLOCK(2, 0, rdx, SIZEOF_DCTELEM)]
    movdqa      xmm3, XMMWORD [XMMBLOCK(3, 0, rdx, SIZEOF_DCTELEM)]

    ; xmm0 = (00 01 02 03 04 05 06 07)
    ; xmm2 = (20 21 22 23 24 25 26 27)
    ; xmm1 = (10 11 12 13 14 15 16 17)
    ; xmm3 = (30 31 32 33 34 35 36 37)

    movdqa      xmm4, xmm0              ; transpose coefficients(phase 1)
    punpcklwd   xmm0, xmm1              ; xmm0 = (00 10 01 11 02 12 03 13)
    punpckhwd   xmm4, xmm1              ; xmm4 = (04 14 05 15 06 16 07 17)
    movdqa      xmm5, xmm2              ; transpose coefficients(phase 1)
    punpcklwd   xmm2, xmm3              ; xmm2 = (20 30 21 31 22 32 23 33)
    punpckhwd   xmm5, xmm3              ; xmm5 = (24 34 25 35 26 36 27 37)

    movdqa      xmm6, XMMWORD [XMMBLOCK(4, 0, rdx, SIZEOF_DCTELEM)]
    movdqa      xmm7, XMMWORD [XMMBLOCK(5, 0, rdx, SIZEOF_DCTELEM)]
    movdqa      xmm1, XMMWORD [XMMBLOCK(6, 0, rdx, SIZEOF_DCTELEM)]
    movdqa      xmm3, XMMWORD [XMMBLOCK(7, 0, rdx, SIZEOF_DCTELEM)]

    ; xmm6 = ( 4 12 20 28 36 44 52 60)
    ; xmm1 = ( 6 14 22 30 38 46 54 62)
    ; xmm7 = ( 5 13 21 29 37 45 53 61)
    ; xmm3 = ( 7 15 23 31 39 47 55 63)

    movdqa      XMMWORD [wk(0)], xmm2   ; wk(0) = (20 30 21 31 22 32 23 33)
    movdqa      XMMWORD [wk(1)], xmm5   ; wk(1) = (24 34 25 35 26 36 27 37)

    movdqa      xmm2, xmm6              ; transpose coefficients(phase 1)
    punpcklwd   xmm6, xmm7              ; xmm6 = (40 50 41 51 42 52 43 53)
    punpckhwd   xmm2, xmm7              ; xmm2 = (44 54 45 55 46 56 47 57)
    movdqa      xmm5, xmm1              ; transpose coefficients(phase 1)
    punpcklwd   xmm1, xmm3              ; xmm1 = (60 70 61 71 62 72 63 73)
    punpckhwd   xmm5, xmm3              ; xmm5 = (64 74 65 75 66 76 67 77)

    movdqa      xmm7, xmm6              ; transpose coefficients(phase 2)
    punpckldq   xmm6, xmm1              ; xmm6 = (40 50 60 70 41 51 61 71)
    punpckhdq   xmm7, xmm1              ; xmm7 = (42 52 62 72 43 53 63 73)
    movdqa      xmm3, xmm2              ; transpose coefficients(phase 2)
    punpckldq   xmm2, xmm5              ; xmm2 = (44 54 64 74 45 55 65 75)
    punpckhdq   xmm3, xmm5              ; xmm3 = (46 56 66 76 47 57 67 77)

    movdqa      xmm1, XMMWORD [wk(0)]   ; xmm1 = (20 30 21 31 22 32 23 33)
    movdqa      xmm5, XMMWORD [wk(1)]   ; xmm5 = (24 34 25 35 26 36 27 37)
    movdqa      XMMWORD [wk(2)], xmm7   ; wk(2) = (42 52 62 72 43 53 63 73)
    movdqa      XMMWORD [wk(3)], xmm2   ; wk(3) = (44 54 64 74 45 55 65 75)

    movdqa      xmm7, xmm0              ; transpose coefficients(phase 2)
    punpckldq   xmm0, xmm1              ; xmm0 = (00 10 20 30 01 11 21 31)
    punpckhdq   xmm7, xmm1              ; xmm7 = (02 12 22 32 03 13 23 33)
    movdqa      xmm2, xmm4              ; transpose coefficients(phase 2)
    punpckldq   xmm4, xmm5              ; xmm4 = (04 14 24 34 05 15 25 35)
    punpckhdq   xmm2, xmm5              ; xmm2 = (06 16 26 36 07 17 27 37)

    movdqa      xmm1, xmm0           ; transpose coefficients(phase 3)
    punpcklqdq  xmm0, xmm6           ; xmm0 = (00 10 20 30 40 50 60 70) = data0
    punpckhqdq  xmm1, xmm6           ; xmm1 = (01 11 21 31 41 51 61 71) = data1
    movdqa      xmm5, xmm2           ; transpose coefficients(phase 3)
    punpcklqdq  xmm2, xmm3           ; xmm2 = (06 16 26 36 46 56 66 76) = data6
    punpckhqdq  xmm5, xmm3           ; xmm5 = (07 17 27 37 47 57 67 77) = data7

    movdqa      xmm6, xmm1
    movdqa      xmm3, xmm0
    psubw       xmm1, xmm2              ; xmm1 = data1 - data6 = tmp6
    psubw       xmm0, xmm5              ; xmm0 = data0 - data7 = tmp7
    paddw       xmm6, xmm2              ; xmm6 = data1 + data6 = tmp1
    paddw       xmm3, xmm5              ; xmm3 = data0 + data7 = tmp0

    movdqa      xmm2, XMMWORD [wk(2)]   ; xmm2 = (42 52 62 72 43 53 63 73)
    movdqa      xmm5, XMMWORD [wk(3)]   ; xmm5 = (44 54 64 74 45 55 65 75)
    movdqa      XMMWORD [wk(0)], xmm1   ; wk(0) = tmp6
    movdqa      XMMWORD [wk(1)], xmm0   ; wk(1) = tmp7

    movdqa      xmm1, xmm7           ; transpose coefficients(phase 3)
    punpcklqdq  xmm7, xmm2           ; xmm7 = (02 12 22 32 42 52 62 72) = data2
    punpckhqdq  xmm1, xmm2           ; xmm1 = (03 13 23 33 43 53 63 73) = data3
    movdqa      xmm0, xmm4           ; transpose coefficients(phase 3)
    punpcklqdq  xmm4, xmm5           ; xmm4 = (04 14 24 34 44 54 64 74) = data4
    punpckhqdq  xmm0, xmm5           ; xmm0 = (05 15 25 35 45 55 65 75) = data5

    movdqa      xmm2, xmm1
    movdqa      xmm5, xmm7
    paddw       xmm1, xmm4              ; xmm1 = data3 + data4 = tmp3
    paddw       xmm7, xmm0              ; xmm7 = data2 + data5 = tmp2
    psubw       xmm2, xmm4              ; xmm2 = data3 - data4 = tmp4
    psubw       xmm5, xmm0              ; xmm5 = data2 - data5 = tmp5

    ; -- Even part

    movdqa      xmm4, xmm3
    movdqa      xmm0, xmm6
    paddw       xmm3, xmm1              ; xmm3 = tmp10
    paddw       xmm6, xmm7              ; xmm6 = tmp11
    psubw       xmm4, xmm1              ; xmm4 = tmp13
    psubw       xmm0, xmm7              ; xmm0 = tmp12

    movdqa      xmm1, xmm3
    paddw       xmm3, xmm6              ; xmm3 = tmp10 + tmp11
    psubw       xmm1, xmm6              ; xmm1 = tmp10 - tmp11

    psllw       xmm3, PASS1_BITS        ; xmm3 = data0
    psllw       xmm1, PASS1_BITS        ; xmm1 = data4

    movdqa      XMMWORD [wk(2)], xmm3   ; wk(2) = data0
    movdqa      XMMWORD [wk(3)], xmm1   ; wk(3) = data4

    ; (Original)
    ; z1 = (tmp12 + tmp13) * 0.541196100;
    ; data2 = z1 + tmp13 * 0.765366865;
    ; data6 = z1 + tmp12 * -1.847759065;
    ;
    ; (This implementation)
    ; data2 = tmp13 * (0.541196100 + 0.765366865) + tmp12 * 0.541196100;
    ; data6 = tmp13 * 0.541196100 + tmp12 * (0.541196100 - 1.847759065);

    movdqa      xmm7, xmm4              ; xmm4 = tmp13
    movdqa      xmm6, xmm4
    punpcklwd   xmm7, xmm0              ; xmm0 = tmp12
    punpckhwd   xmm6, xmm0
    movdqa      xmm4, xmm7
    movdqa      xmm0, xmm6
    pmaddwd     xmm7, [rel PW_F130_F054]   ; xmm7 = data2L
    pmaddwd     xmm6, [rel PW_F130_F054]   ; xmm6 = data2H
    pmaddwd     xmm4, [rel PW_F054_MF130]  ; xmm4 = data6L
    pmaddwd     xmm0, [rel PW_F054_MF130]  ; xmm0 = data6H

    paddd       xmm7, [rel PD_DESCALE_P1]
    paddd       xmm6, [rel PD_DESCALE_P1]
    psrad       xmm7, DESCALE_P1
    psrad       xmm6, DESCALE_P1
    paddd       xmm4, [rel PD_DESCALE_P1]
    paddd       xmm0, [rel PD_DESCALE_P1]
    psrad       xmm4, DESCALE_P1
    psrad       xmm0, DESCALE_P1

    packssdw    xmm7, xmm6              ; xmm7 = data2
    packssdw    xmm4, xmm0              ; xmm4 = data6

    movdqa      XMMWORD [wk(4)], xmm7   ; wk(4) = data2
    movdqa      XMMWORD [wk(5)], xmm4   ; wk(5) = data6

    ; -- Odd part

    movdqa      xmm3, XMMWORD [wk(0)]   ; xmm3 = tmp6
    movdqa      xmm1, XMMWORD [wk(1)]   ; xmm1 = tmp7

    movdqa      xmm6, xmm2              ; xmm2 = tmp4
    movdqa      xmm0, xmm5              ; xmm5 = tmp5
    paddw       xmm6, xmm3              ; xmm6 = z3
    paddw       xmm0, xmm1              ; xmm0 = z4

    ; (Original)
    ; z5 = (z3 + z4) * 1.175875602;
    ; z3 = z3 * -1.961570560;  z4 = z4 * -0.390180644;
    ; z3 += z5;  z4 += z5;
    ;
    ; (This implementation)
    ; z3 = z3 * (1.175875602 - 1.961570560) + z4 * 1.175875602;
    ; z4 = z3 * 1.175875602 + z4 * (1.175875602 - 0.390180644);

    movdqa      xmm7, xmm6
    movdqa      xmm4, xmm6
    punpcklwd   xmm7, xmm0
    punpckhwd   xmm4, xmm0
    movdqa      xmm6, xmm7
    movdqa      xmm0, xmm4
    pmaddwd     xmm7, [rel PW_MF078_F117]  ; xmm7 = z3L
    pmaddwd     xmm4, [rel PW_MF078_F117]  ; xmm4 = z3H
    pmaddwd     xmm6, [rel PW_F117_F078]   ; xmm6 = z4L
    pmaddwd     xmm0, [rel PW_F117_F078]   ; xmm0 = z4H

    movdqa      XMMWORD [wk(0)], xmm7   ; wk(0) = z3L
    movdqa      XMMWORD [wk(1)], xmm4   ; wk(1) = z3H

    ; (Original)
    ; z1 = tmp4 + tmp7;  z2 = tmp5 + tmp6;
    ; tmp4 = tmp4 * 0.298631336;  tmp5 = tmp5 * 2.053119869;
    ; tmp6 = tmp6 * 3.072711026;  tmp7 = tmp7 * 1.501321110;
    ; z1 = z1 * -0.899976223;  z2 = z2 * -2.562915447;
    ; data7 = tmp4 + z1 + z3;  data5 = tmp5 + z2 + z4;
    ; data3 = tmp6 + z2 + z3;  data1 = tmp7 + z1 + z4;
    ;
    ; (This implementation)
    ; tmp4 = tmp4 * (0.298631336 - 0.899976223) + tmp7 * -0.899976223;
    ; tmp5 = tmp5 * (2.053119869 - 2.562915447) + tmp6 * -2.562915447;
    ; tmp6 = tmp5 * -2.562915447 + tmp6 * (3.072711026 - 2.562915447);
    ; tmp7 = tmp4 * -0.899976223 + tmp7 * (1.501321110 - 0.899976223);
    ; data7 = tmp4 + z3;  data5 = tmp5 + z4;
    ; data3 = tmp6 + z3;  data1 = tmp7 + z4;

    movdqa      xmm7, xmm2
    movdqa      xmm4, xmm2
    punpcklwd   xmm7, xmm1
    punpckhwd   xmm4, xmm1
    movdqa      xmm2, xmm7
    movdqa      xmm1, xmm4
    pmaddwd     xmm7, [rel PW_MF060_MF089]  ; xmm7 = tmp4L
    pmaddwd     xmm4, [rel PW_MF060_MF089]  ; xmm4 = tmp4H
    pmaddwd     xmm2, [rel PW_MF089_F060]   ; xmm2 = tmp7L
    pmaddwd     xmm1, [rel PW_MF089_F060]   ; xmm1 = tmp7H

    paddd       xmm7, XMMWORD [wk(0)]   ; xmm7 = data7L
    paddd       xmm4, XMMWORD [wk(1)]   ; xmm4 = data7H
    paddd       xmm2, xmm6              ; xmm2 = data1L
    paddd       xmm1, xmm0              ; xmm1 = data1H

    paddd       xmm7, [rel PD_DESCALE_P1]
    paddd       xmm4, [rel PD_DESCALE_P1]
    psrad       xmm7, DESCALE_P1
    psrad       xmm4, DESCALE_P1
    paddd       xmm2, [rel PD_DESCALE_P1]
    paddd       xmm1, [rel PD_DESCALE_P1]
    psrad       xmm2, DESCALE_P1
    psrad       xmm1, DESCALE_P1

    packssdw    xmm7, xmm4              ; xmm7 = data7
    packssdw    xmm2, xmm1              ; xmm2 = data1

    movdqa      xmm4, xmm5
    movdqa      xmm1, xmm5
    punpcklwd   xmm4, xmm3
    punpckhwd   xmm1, xmm3
    movdqa      xmm5, xmm4
    movdqa      xmm3, xmm1
    pmaddwd     xmm4, [rel PW_MF050_MF256]  ; xmm4 = tmp5L
    pmaddwd     xmm1, [rel PW_MF050_MF256]  ; xmm1 = tmp5H
    pmaddwd     xmm5, [rel PW_MF256_F050]   ; xmm5 = tmp6L
    pmaddwd     xmm3, [rel PW_MF256_F050]   ; xmm3 = tmp6H

    paddd       xmm4, xmm6              ; xmm4 = data5L
    paddd       xmm1, xmm0              ; xmm1 = data5H
    paddd       xmm5, XMMWORD [wk(0)]   ; xmm5 = data3L
    paddd       xmm3, XMMWORD [wk(1)]   ; xmm3 = data3H

    paddd       xmm4, [rel PD_DESCALE_P1]
    paddd       xmm1, [rel PD_DESCALE_P1]
    psrad       xmm4, DESCALE_P1
    psrad       xmm1, DESCALE_P1
    paddd       xmm5, [rel PD_DESCALE_P1]
    paddd       xmm3, [rel PD_DESCALE_P1]
    psrad       xmm5, DESCALE_P1
    psrad       xmm3, DESCALE_P1

    packssdw    xmm4, xmm1              ; xmm4 = data5
    packssdw    xmm5, xmm3              ; xmm5 = data3

    ; ---- Pass 2: process columns.

    movdqa      xmm6, XMMWORD [wk(2)]   ; xmm6 = col0
    movdqa      xmm0, XMMWORD [wk(4)]   ; xmm0 = col2

    ; xmm6 = (00 10 20 30 40 50 60 70)
    ; xmm0 = (02 12 22 32 42 52 62 72)
    ; xmm2 = (01 11 21 31 41 51 61 71)
    ; xmm5 = (03 13 23 33 43 53 63 73)

    movdqa      xmm1, xmm6              ; transpose coefficients(phase 1)
    punpcklwd   xmm6, xmm2              ; xmm6 = (00 01 10 11 20 21 30 31)
    punpckhwd   xmm1, xmm2              ; xmm1 = (40 41 50 51 60 61 70 71)
    movdqa      xmm3, xmm0              ; transpose coefficients(phase 1)
    punpcklwd   xmm0, xmm5              ; xmm0 = (02 03 12 13 22 23 32 33)
    punpckhwd   xmm3, xmm5              ; xmm3 = (42 43 52 53 62 63 72 73)

    movdqa      xmm2, XMMWORD [wk(3)]   ; xmm2 = col4
    movdqa      xmm5, XMMWORD [wk(5)]   ; xmm5 = col6

    ; xmm2 = (04 14 24 34 44 54 64 74)
    ; xmm5 = (06 16 26 36 46 56 66 76)
    ; xmm4 = (05 15 25 35 45 55 65 75)
    ; xmm7 = (07 17 27 37 47 57 67 77)

    movdqa      XMMWORD [wk(0)], xmm0   ; wk(0) = (02 03 12 13 22 23 32 33)
    movdqa      XMMWORD [wk(1)], xmm3   ; wk(1) = (42 43 52 53 62 63 72 73)

    movdqa      xmm0, xmm2              ; transpose coefficients(phase 1)
    punpcklwd   xmm2, xmm4              ; xmm2 = (04 05 14 15 24 25 34 35)
    punpckhwd   xmm0, xmm4              ; xmm0 = (44 45 54 55 64 65 74 75)
    movdqa      xmm3, xmm5              ; transpose coefficients(phase 1)
    punpcklwd   xmm5, xmm7              ; xmm5 = (06 07 16 17 26 27 36 37)
    punpckhwd   xmm3, xmm7              ; xmm3 = (46 47 56 57 66 67 76 77)

    movdqa      xmm4, xmm2              ; transpose coefficients(phase 2)
    punpckldq   xmm2, xmm5              ; xmm2 = (04 05 06 07 14 15 16 17)
    punpckhdq   xmm4, xmm5              ; xmm4 = (24 25 26 27 34 35 36 37)
    movdqa      xmm7, xmm0              ; transpose coefficients(phase 2)
    punpckldq   xmm0, xmm3              ; xmm0 = (44 45 46 47 54 55 56 57)
    punpckhdq   xmm7, xmm3              ; xmm7 = (64 65 66 67 74 75 76 77)

    movdqa      xmm5, XMMWORD [wk(0)]   ; xmm5 = (02 03 12 13 22 23 32 33)
    movdqa      xmm3, XMMWORD [wk(1)]   ; xmm3 = (42 43 52 53 62 63 72 73)
    movdqa      XMMWORD [wk(2)], xmm4   ; wk(2) = (24 25 26 27 34 35 36 37)
    movdqa      XMMWORD [wk(3)], xmm0   ; wk(3) = (44 45 46 47 54 55 56 57)

    movdqa      xmm4, xmm6              ; transpose coefficients(phase 2)
    punpckldq   xmm6, xmm5              ; xmm6 = (00 01 02 03 10 11 12 13)
    punpckhdq   xmm4, xmm5              ; xmm4 = (20 21 22 23 30 31 32 33)
    movdqa      xmm0, xmm1              ; transpose coefficients(phase 2)
    punpckldq   xmm1, xmm3              ; xmm1 = (40 41 42 43 50 51 52 53)
    punpckhdq   xmm0, xmm3              ; xmm0 = (60 61 62 63 70 71 72 73)

    movdqa      xmm5, xmm6           ; transpose coefficients(phase 3)
    punpcklqdq  xmm6, xmm2           ; xmm6 = (00 01 02 03 04 05 06 07) = data0
    punpckhqdq  xmm5, xmm2           ; xmm5 = (10 11 12 13 14 15 16 17) = data1
    movdqa      xmm3, xmm0           ; transpose coefficients(phase 3)
    punpcklqdq  xmm0, xmm7           ; xmm0 = (60 61 62 63 64 65 66 67) = data6
    punpckhqdq  xmm3, xmm7           ; xmm3 = (70 71 72 73 74 75 76 77) = data7

    movdqa      xmm2, xmm5
    movdqa      xmm7, xmm6
    psubw       xmm5, xmm0              ; xmm5 = data1 - data6 = tmp6
    psubw       xmm6, xmm3              ; xmm6 = data0 - data7 = tmp7
    paddw       xmm2, xmm0              ; xmm2 = data1 + data6 = tmp1
    paddw       xmm7, xmm3              ; xmm7 = data0 + data7 = tmp0

    movdqa      xmm0, XMMWORD [wk(2)]   ; xmm0 = (24 25 26 27 34 35 36 37)
    movdqa      xmm3, XMMWORD [wk(3)]   ; xmm3 = (44 45 46 47 54 55 56 57)
    movdqa      XMMWORD [wk(0)], xmm5   ; wk(0) = tmp6
    movdqa      XMMWORD [wk(1)], xmm6   ; wk(1) = tmp7

    movdqa      xmm5, xmm4           ; transpose coefficients(phase 3)
    punpcklqdq  xmm4, xmm0           ; xmm4 = (20 21 22 23 24 25 26 27) = data2
    punpckhqdq  xmm5, xmm0           ; xmm5 = (30 31 32 33 34 35 36 37) = data3
    movdqa      xmm6, xmm1           ; transpose coefficients(phase 3)
    punpcklqdq  xmm1, xmm3           ; xmm1 = (40 41 42 43 44 45 46 47) = data4
    punpckhqdq  xmm6, xmm3           ; xmm6 = (50 51 52 53 54 55 56 57) = data5

    movdqa      xmm0, xmm5
    movdqa      xmm3, xmm4
    paddw       xmm5, xmm1              ; xmm5 = data3 + data4 = tmp3
    paddw       xmm4, xmm6              ; xmm4 = data2 + data5 = tmp2
    psubw       xmm0, xmm1              ; xmm0 = data3 - data4 = tmp4
    psubw       xmm3, xmm6              ; xmm3 = data2 - data5 = tmp5

    ; -- Even part

    movdqa      xmm1, xmm7
    movdqa      xmm6, xmm2
    paddw       xmm7, xmm5              ; xmm7 = tmp10
    paddw       xmm2, xmm4              ; xmm2 = tmp11
    psubw       xmm1, xmm5              ; xmm1 = tmp13
    psubw       xmm6, xmm4              ; xmm6 = tmp12

    movdqa      xmm5, xmm7
    paddw       xmm7, xmm2              ; xmm7 = tmp10 + tmp11
    psubw       xmm5, xmm2              ; xmm5 = tmp10 - tmp11

    paddw       xmm7, [rel PW_DESCALE_P2X]
    paddw       xmm5, [rel PW_DESCALE_P2X]
    psraw       xmm7, PASS1_BITS        ; xmm7 = data0
    psraw       xmm5, PASS1_BITS        ; xmm5 = data4

    movdqa      XMMWORD [XMMBLOCK(0, 0, rdx, SIZEOF_DCTELEM)], xmm7
    movdqa      XMMWORD [XMMBLOCK(4, 0, rdx, SIZEOF_DCTELEM)], xmm5

    ; (Original)
    ; z1 = (tmp12 + tmp13) * 0.541196100;
    ; data2 = z1 + tmp13 * 0.765366865;
    ; data6 = z1 + tmp12 * -1.847759065;
    ;
    ; (This implementation)
    ; data2 = tmp13 * (0.541196100 + 0.765366865) + tmp12 * 0.541196100;
    ; data6 = tmp13 * 0.541196100 + tmp12 * (0.541196100 - 1.847759065);

    movdqa      xmm4, xmm1              ; xmm1 = tmp13
    movdqa      xmm2, xmm1
    punpcklwd   xmm4, xmm6              ; xmm6 = tmp12
    punpckhwd   xmm2, xmm6
    movdqa      xmm1, xmm4
    movdqa      xmm6, xmm2
    pmaddwd     xmm4, [rel PW_F130_F054]   ; xmm4 = data2L
    pmaddwd     xmm2, [rel PW_F130_F054]   ; xmm2 = data2H
    pmaddwd     xmm1, [rel PW_F054_MF130]  ; xmm1 = data6L
    pmaddwd     xmm6, [rel PW_F054_MF130]  ; xmm6 = data6H

    paddd       xmm4, [rel PD_DESCALE_P2]
    paddd       xmm2, [rel PD_DESCALE_P2]
    psrad       xmm4, DESCALE_P2
    psrad       xmm2, DESCALE_P2
    paddd       xmm1, [rel PD_DESCALE_P2]
    paddd       xmm6, [rel PD_DESCALE_P2]
    psrad       xmm1, DESCALE_P2
    psrad       xmm6, DESCALE_P2

    packssdw    xmm4, xmm2              ; xmm4 = data2
    packssdw    xmm1, xmm6              ; xmm1 = data6

    movdqa      XMMWORD [XMMBLOCK(2, 0, rdx, SIZEOF_DCTELEM)], xmm4
    movdqa      XMMWORD [XMMBLOCK(6, 0, rdx, SIZEOF_DCTELEM)], xmm1

    ; -- Odd part

    movdqa      xmm7, XMMWORD [wk(0)]   ; xmm7 = tmp6
    movdqa      xmm5, XMMWORD [wk(1)]   ; xmm5 = tmp7

    movdqa      xmm2, xmm0              ; xmm0 = tmp4
    movdqa      xmm6, xmm3              ; xmm3 = tmp5
    paddw       xmm2, xmm7              ; xmm2 = z3
    paddw       xmm6, xmm5              ; xmm6 = z4

    ; (Original)
    ; z5 = (z3 + z4) * 1.175875602;
    ; z3 = z3 * -1.961570560;  z4 = z4 * -0.390180644;
    ; z3 += z5;  z4 += z5;
    ;
    ; (This implementation)
    ; z3 = z3 * (1.175875602 - 1.961570560) + z4 * 1.175875602;
    ; z4 = z3 * 1.175875602 + z4 * (1.175875602 - 0.390180644);

    movdqa      xmm4, xmm2
    movdqa      xmm1, xmm2
    punpcklwd   xmm4, xmm6
    punpckhwd   xmm1, xmm6
    movdqa      xmm2, xmm4
    movdqa      xmm6, xmm1
    pmaddwd     xmm4, [rel PW_MF078_F117]  ; xmm4 = z3L
    pmaddwd     xmm1, [rel PW_MF078_F117]  ; xmm1 = z3H
    pmaddwd     xmm2, [rel PW_F117_F078]   ; xmm2 = z4L
    pmaddwd     xmm6, [rel PW_F117_F078]   ; xmm6 = z4H

    movdqa      XMMWORD [wk(0)], xmm4   ; wk(0) = z3L
    movdqa      XMMWORD [wk(1)], xmm1   ; wk(1) = z3H

    ; (Original)
    ; z1 = tmp4 + tmp7;  z2 = tmp5 + tmp6;
    ; tmp4 = tmp4 * 0.298631336;  tmp5 = tmp5 * 2.053119869;
    ; tmp6 = tmp6 * 3.072711026;  tmp7 = tmp7 * 1.501321110;
    ; z1 = z1 * -0.899976223;  z2 = z2 * -2.562915447;
    ; data7 = tmp4 + z1 + z3;  data5 = tmp5 + z2 + z4;
    ; data3 = tmp6 + z2 + z3;  data1 = tmp7 + z1 + z4;
    ;
    ; (This implementation)
    ; tmp4 = tmp4 * (0.298631336 - 0.899976223) + tmp7 * -0.899976223;
    ; tmp5 = tmp5 * (2.053119869 - 2.562915447) + tmp6 * -2.562915447;
    ; tmp6 = tmp5 * -2.562915447 + tmp6 * (3.072711026 - 2.562915447);
    ; tmp7 = tmp4 * -0.899976223 + tmp7 * (1.501321110 - 0.899976223);
    ; data7 = tmp4 + z3;  data5 = tmp5 + z4;
    ; data3 = tmp6 + z3;  data1 = tmp7 + z4;

    movdqa      xmm4, xmm0
    movdqa      xmm1, xmm0
    punpcklwd   xmm4, xmm5
    punpckhwd   xmm1, xmm5
    movdqa      xmm0, xmm4
    movdqa      xmm5, xmm1
    pmaddwd     xmm4, [rel PW_MF060_MF089]  ; xmm4 = tmp4L
    pmaddwd     xmm1, [rel PW_MF060_MF089]  ; xmm1 = tmp4H
    pmaddwd     xmm0, [rel PW_MF089_F060]   ; xmm0 = tmp7L
    pmaddwd     xmm5, [rel PW_MF089_F060]   ; xmm5 = tmp7H

    paddd       xmm4,  XMMWORD [wk(0)]  ; xmm4 = data7L
    paddd       xmm1,  XMMWORD [wk(1)]  ; xmm1 = data7H
    paddd       xmm0, xmm2              ; xmm0 = data1L
    paddd       xmm5, xmm6              ; xmm5 = data1H

    paddd       xmm4, [rel PD_DESCALE_P2]
    paddd       xmm1, [rel PD_DESCALE_P2]
    psrad       xmm4, DESCALE_P2
    psrad       xmm1, DESCALE_P2
    paddd       xmm0, [rel PD_DESCALE_P2]
    paddd       xmm5, [rel PD_DESCALE_P2]
    psrad       xmm0, DESCALE_P2
    psrad       xmm5, DESCALE_P2

    packssdw    xmm4, xmm1              ; xmm4 = data7
    packssdw    xmm0, xmm5              ; xmm0 = data1

    movdqa      XMMWORD [XMMBLOCK(7, 0, rdx, SIZEOF_DCTELEM)], xmm4
    movdqa      XMMWORD [XMMBLOCK(1, 0, rdx, SIZEOF_DCTELEM)], xmm0

    movdqa      xmm1, xmm3
    movdqa      xmm5, xmm3
    punpcklwd   xmm1, xmm7
    punpckhwd   xmm5, xmm7
    movdqa      xmm3, xmm1
    movdqa      xmm7, xmm5
    pmaddwd     xmm1, [rel PW_MF050_MF256]  ; xmm1 = tmp5L
    pmaddwd     xmm5, [rel PW_MF050_MF256]  ; xmm5 = tmp5H
    pmaddwd     xmm3, [rel PW_MF256_F050]   ; xmm3 = tmp6L
    pmaddwd     xmm7, [rel PW_MF256_F050]   ; xmm7 = tmp6H

    paddd       xmm1, xmm2              ; xmm1 = data5L
    paddd       xmm5, xmm6              ; xmm5 = data5H
    paddd       xmm3, XMMWORD [wk(0)]   ; xmm3 = data3L
    paddd       xmm7, XMMWORD [wk(1)]   ; xmm7 = data3H

    paddd       xmm1, [rel PD_DESCALE_P2]
    paddd       xmm5, [rel PD_DESCALE_P2]
    psrad       xmm1, DESCALE_P2
    psrad       xmm5, DESCALE_P2
    paddd       xmm3, [rel PD_DESCALE_P2]
    paddd       xmm7, [rel PD_DESCALE_P2]
    psrad       xmm3, DESCALE_P2
    psrad       xmm7, DESCALE_P2

    packssdw    xmm1, xmm5              ; xmm1 = data5
    packssdw    xmm3, xmm7              ; xmm3 = data3

    movdqa      XMMWORD [XMMBLOCK(5, 0, rdx, SIZEOF_DCTELEM)], xmm1
    movdqa      XMMWORD [XMMBLOCK(3, 0, rdx, SIZEOF_DCTELEM)], xmm3

    UNCOLLECT_ARGS 1
    lea         rsp, [rbp - 8]
    pop         r15
    pop         rbp
    ret

; For some reason, the OS X linker does not honor the request to align the
; segment unless we do this.
    align       32