first working version
authorKonstantinos Margaritis <konstantinos.margaritis@vectorcamp.gr>
Fri, 14 Oct 2022 00:16:59 +0000 (00:16 +0000)
committerKonstantinos Margaritis <konstantinos.margaritis@vectorcamp.gr>
Fri, 14 Oct 2022 00:16:59 +0000 (00:16 +0000)
media/video/av1/src/ppc/cdef_tmpl_svp64_real.s

index adbe99c41d16dd889cfa7ea9a70788b4a6454dfe..c0111407d5d55e7dd21b80d1c9e930146d69b804 100644 (file)
@@ -1,17 +1,21 @@
-.set y, 1
-.set x, 2
-
 .set img_ptr, 3
 .set stride, 4
 .set var, 5
 .set bd, 6             # bitdepth_min_8
 
-.set cost, 7           # cost array, 8 elements
-.set divt, 14          # div_table[8]
-.set img, 24           # img array, 8x8 = 64 elements
-.set psum, 88          # We will place the results of the psums here
-.set tmp, 108          # temporary elements
-.set tmp2, 116         # temporary elements
+.set pred, 3           # predicate for last stage, reuse r3
+
+.set ptr_copy, 7       # copy of img_ptr
+.set ptr_orig, 2       # another one
+
+.set max, 2            # max result
+.set retval, 3         # return value
+
+.set divt, 8           # div_table[15]
+.set cost, 24          # cost array, 8 elements
+.set img, 32           # img array, 8x8 = 64 elements
+.set psum, 96          # We will place the results of the psums here
+.set psum_alt, 64      # reuse img when done with last stage
 
 
        .machine libresoc
 cdef_find_dir_svp64_real:
 .L0:
        .cfi_startproc
-       # Load div_table[7] array
+       # Load div_table array, originally it is
         # div_table[7] = { 840, 420, 280, 210, 168, 140, 120 };
-       li              divt+0, 840
-       li              divt+1, 420
-       li              divt+2, 280
-       li              divt+3, 210
-       li              divt+4, 168
-       li              divt+5, 140
-       li              divt+6, 120
-       li              divt+7, 105                     # Add 105 as element 8 of the divt table
-                                                       # saves having to do special case for it
+       # however, to make calculations easier, we add the same elements in reverse and 105 in middle
+       # and just set VL=15
+       li                      divt+0, 840
+       li                      divt+1, 420
+       li                      divt+2, 280
+       li                      divt+3, 210
+       li                      divt+4, 168
+       li                      divt+5, 140
+       li                      divt+6, 120
+       li                      divt+7, 105
+       li                      divt+8, 120
+       li                      divt+9, 140
+       li                      divt+10, 168
+       li                      divt+11, 210
+       li                      divt+12, 280
+       li                      divt+13, 420
+       li                      divt+14, 840
+
+       mr                      ptr_copy, img_ptr
+       mr                      ptr_orig, img_ptr
        
 .L1:
-       # Load 8x8 8-bit elements from img_ptr in groups of 8 with stride
-       setvl           0,0,8,0,1,1                     # Set VL to 8 elements
-       sv.lha          *img, 0(img_ptr)                # Load 8 ints from (img_ptr)
-       add             img_ptr, img_ptr, stride        # Advance img_ptr by stride
-       sv.lha          *img + 8, 0(img_ptr)
-       add             img_ptr, img_ptr, stride
-       sv.lha          *img + 16, 0(img_ptr)
-       add             img_ptr, img_ptr, stride
-       sv.lha          *img + 24, 0(img_ptr)
-       add             img_ptr, img_ptr, stride
-       sv.lha          *img + 32, 0(img_ptr)
-       add             img_ptr, img_ptr, stride
-       sv.lha          *img + 40, 0(img_ptr)
-       add             img_ptr, img_ptr, stride
-       sv.lha          *img + 48, 0(img_ptr)
-       add             img_ptr, img_ptr, stride
-       sv.lha          *img + 56, 0(img_ptr)
-
-       setvl           0,0,64,0,1,1                    # Set VL to 64 elements
-       sv.sraw         *img, *img, bd                  # img[x] >> bitdepth_min_8
-       sv.addi         *img, *img, -128                # px = (img[x] >> bitdepth_min_8) - 128
+       # Load 8x8 8-bit elements from ptr_copy in groups of 8 with stride
+       setvl                   0,0,8,0,1,1                     # Set VL to 8 elements
+       sv.lha                  *img, 0(ptr_copy)               # Load 8 ints from (ptr_copy)
+       add                     ptr_copy, ptr_copy, stride      # Advance ptr_copy by stride
+       sv.lha                  *img + 8, 0(ptr_copy)
+       add                     ptr_copy, ptr_copy, stride
+       sv.lha                  *img + 16, 0(ptr_copy)
+       add                     ptr_copy, ptr_copy, stride
+       sv.lha                  *img + 24, 0(ptr_copy)
+       add                     ptr_copy, ptr_copy, stride
+       sv.lha                  *img + 32, 0(ptr_copy)
+       add                     ptr_copy, ptr_copy, stride
+       sv.lha                  *img + 40, 0(ptr_copy)
+       add                     ptr_copy, ptr_copy, stride
+       sv.lha                  *img + 48, 0(ptr_copy)
+       add                     ptr_copy, ptr_copy, stride
+       sv.lha                  *img + 56, 0(ptr_copy)
+
+       setvl                   0,0,64,0,1,1                    # Set VL to 64 elements
+       sv.sraw                 *img, *img, bd                  # img[x] >> bitdepth_min_8
+       sv.addi                 *img, *img, -128                # px = (img[x] >> bitdepth_min_8) - 128
 
        # Zero psum registers for partial_sum_hv
-       setvl           0,0,16,0,1,1                    # Set VL to 16 elements
-       sv.ori          *psum, 0, 0
+       setvl                   0,0,16,0,1,1                    # Set VL to 16 elements
+       sv.ori                  *psum, 0, 0
 
        # First do the horizontal partial sums:
        # partial_sum_hv[0][y] += px;
-       setvl           0,0,8,0,1,1                     # Set VL to 8 elements
-       sv.add/mr       psum+0, psum+0, *img+0
-       sv.add/mr       psum+1, psum+1, *img+8
-       sv.add/mr       psum+2, psum+2, *img+16
-       sv.add/mr       psum+3, psum+3, *img+24
-       sv.add/mr       psum+4, psum+4, *img+32
-       sv.add/mr       psum+5, psum+5, *img+40
-       sv.add/mr       psum+6, psum+6, *img+48
-       sv.add/mr       psum+7, psum+7, *img+56
+       setvl                   0,0,8,0,1,1                     # Set VL to 8 elements
+       sv.add/mr               psum+0, psum+0, *img+0
+       sv.add/mr               psum+1, psum+1, *img+8
+       sv.add/mr               psum+2, psum+2, *img+16
+       sv.add/mr               psum+3, psum+3, *img+24
+       sv.add/mr               psum+4, psum+4, *img+32
+       sv.add/mr               psum+5, psum+5, *img+40
+       sv.add/mr               psum+6, psum+6, *img+48
+       sv.add/mr               psum+7, psum+7, *img+56
 
        # Next the vertical partial sums:
         # partial_sum_hv[1][x] += px;
-       sv.add/mr       *psum+8, *psum+8, *img+0
-       sv.add/mr       *psum+8, *psum+8, *img+8
-       sv.add/mr       *psum+8, *psum+8, *img+16
-       sv.add/mr       *psum+8, *psum+8, *img+24
-       sv.add/mr       *psum+8, *psum+8, *img+32
-       sv.add/mr       *psum+8, *psum+8, *img+40
-       sv.add/mr       *psum+8, *psum+8, *img+48
-       sv.add/mr       *psum+8, *psum+8, *img+56
+       sv.add/mr               *psum+8, *psum+8, *img+0
+       sv.add/mr               *psum+8, *psum+8, *img+8
+       sv.add/mr               *psum+8, *psum+8, *img+16
+       sv.add/mr               *psum+8, *psum+8, *img+24
+       sv.add/mr               *psum+8, *psum+8, *img+32
+       sv.add/mr               *psum+8, *psum+8, *img+40
+       sv.add/mr               *psum+8, *psum+8, *img+48
+       sv.add/mr               *psum+8, *psum+8, *img+56
 
        # Zero cost registers
-       setvl           0,0,8,0,1,1                     # Set VL to 8 elements
-       sv.ori          *cost, 0, 0
+       setvl                   0,0,8,0,1,1                     # Set VL to 8 elements
+       sv.ori                  *cost, 0, 0
 
         # cost[2] += partial_sum_hv[0][n] * partial_sum_hv[0][n];
-       sv.maddld/mr    cost+2, *psum, *psum, cost+2
+       sv.maddld/mr            cost+2, *psum, *psum, cost+2
         # cost[6] += partial_sum_hv[1][n] * partial_sum_hv[1][n];
-       sv.maddld/mr    cost+6, *psum+8, *psum+8, cost+6
+       sv.maddld/mr            cost+6, *psum+8, *psum+8, cost+6
 
        # cost[2] *= 105
        # cost[6] *= 105
-       mulli           cost+2, cost+2, 105
-       mulli           cost+6, cost+6, 105
+       mulli                   cost+2, cost+2, 105
+       mulli                   cost+6, cost+6, 105
 
        # We're done with partial_sum_hv values, we can reuse the registers
        # for partial_sum_diag
        # Zero psum registers for partial_sum_diag
-       setvl           0,0,30,0,1,1                    # Set VL to 30 elements
-       sv.ori          *psum, 0, 0
+       setvl                   0,0,30,0,1,1                    # Set VL to 30 elements
+       sv.ori                  *psum, 0, 0
 
        setvl           0,0,8,0,1,1                     # Set VL to 8 elements
        # First row of diagonal partial sums:
        # partial_sum_diag[0][y + x] += px;
-       sv.add/mr       *psum+0, *psum+0, *img+0
-       sv.add/mr       *psum+1, *psum+1, *img+8
-       sv.add/mr       *psum+2, *psum+2, *img+16
-       sv.add/mr       *psum+3, *psum+3, *img+24
-       sv.add/mr       *psum+4, *psum+4, *img+32
-       sv.add/mr       *psum+5, *psum+5, *img+40
-       sv.add/mr       *psum+6, *psum+6, *img+48
-       sv.add/mr       *psum+7, *psum+7, *img+56
+       sv.add/mr               *psum+0, *psum+0, *img+0
+       sv.add/mr               *psum+1, *psum+1, *img+8
+       sv.add/mr               *psum+2, *psum+2, *img+16
+       sv.add/mr               *psum+3, *psum+3, *img+24
+       sv.add/mr               *psum+4, *psum+4, *img+32
+       sv.add/mr               *psum+5, *psum+5, *img+40
+       sv.add/mr               *psum+6, *psum+6, *img+48
+       sv.add/mr               *psum+7, *psum+7, *img+56
 
        # Second row of diagonal partial sums:
        # partial_sum_diag[1][7 + y - x] += px;
-       sv.add/mr       *psum+15, *psum+15, *img+56
-       sv.add/mr       *psum+16, *psum+16, *img+48
-       sv.add/mr       *psum+17, *psum+17, *img+40
-       sv.add/mr       *psum+18, *psum+18, *img+32
-       sv.add/mr       *psum+19, *psum+19, *img+24
-       sv.add/mr       *psum+20, *psum+20, *img+16
-       sv.add/mr       *psum+21, *psum+21, *img+8
-       sv.add/mr       *psum+22, *psum+22, *img+0
+       sv.add/mr               *psum+15, *psum+15, *img+56
+       sv.add/mr               *psum+16, *psum+16, *img+48
+       sv.add/mr               *psum+17, *psum+17, *img+40
+       sv.add/mr               *psum+18, *psum+18, *img+32
+       sv.add/mr               *psum+19, *psum+19, *img+24
+       sv.add/mr               *psum+20, *psum+20, *img+16
+       sv.add/mr               *psum+21, *psum+21, *img+8
+       sv.add/mr               *psum+22, *psum+22, *img+0
        # these were calculated correctly but in reverse order,
        # but since they're going to be used in a sum, order is not important.
  
-       setvl           0,0,15,0,1,1                    # Set VL to 15 elements
-       sv.ori          *tmp, 0, 0
-
         # cost[0] += (partial_sum_diag[0][n]      * partial_sum_diag[0][n] +
         #             partial_sum_diag[0][14 - n] * partial_sum_diag[0][14 - n]) * d;
        # Produce squares of all values
-       sv.maddld/mr    *tmp, *psum+0, *psum+0, *tmp
-       # Handle the first 8 elements in order, *includes* partial_sum_diag[0][7]!
-       #setvl          0,0,8,0,1,1                     # Set VL to 8 elements
-       #sv.mulld       *tmp, *tmp, *divt
-       # Handle remaining 7 elements, in reverse order
-       setvl           0,0,7,0,1,1                     # Set VL to 7 elements
-       sv.svstep/mrr   *tmp2, 6, 1
-       svindex         29,0b1,7,0,0,0,0
-       sv.ori          *tmp, *divt, 0
-       #sv.mulld       *tmp, *tmp, *divt
-       # Now sum those up to cost[0] element
-       #setvl          0,0,15,0,1,1                    # Set VL to 15 elements
-       #sv.add/mr      cost+0, *tmp, cost+0
+       setvl                   0,0,15,0,1,1                    # Set VL to 15 elements
+       sv.mulld                *psum+0, *psum+0, *psum+0
+       sv.mulld                *psum+0, *psum+0, *divt
+       sv.add/mr               cost+0, *psum+0, cost+0
 
        # Similarly for cost[4]
        # cost[4] += (partial_sum_diag[1][n]      * partial_sum_diag[1][n] +
        #             partial_sum_diag[1][14 - n] * partial_sum_diag[1][14 - n]) * d;
-       #sv.maddld/mr   *tmp, *psum+16, *psum+16, *tmp
-       #sv.maddld/mr   *tmp, *psum+24, *psum+24, *tmp
-       #sv.mulld       *tmp, *tmp, *divt
-       #sv.add/mr      cost+4, *tmp, cost+4
-
-
-       # Zero psum registers for partial_sum_alt, process half of 44
-       #setvl          0,0,22,0,1,1                    # Set VL to 22 elements
-       #sv.ori         psum, 0, 0
+       sv.mulld                *psum+15, *psum+15, *psum+15
+       sv.mulld                *psum+15, *psum+15, *divt
+       sv.add/mr               cost+4, *psum+15, cost+4
 
        # First row of alt partial sums:
        # partial_sum_alt [0][y + (x >> 1)] += px;
        # These are essentially calculated the following way:
        # horiz axis: x, vert axis: y, quantity of y + (x>>1):
-       # 
-       # |   | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
-       # | 0 | 0 | 0 | 1 | 1 | 2 | 2 | 3 | 3 |
-       # | 1 | 1 | 1 | 2 | 2 | 3 | 3 | 4 | 4 |
-       # | 2 | 2 | 2 | 3 | 3 | 4 | 4 | 5 | 5 |
-       # | 3 | 3 | 3 | 4 | 4 | 5 | 5 | 6 | 6 |
-       # | 4 | 4 | 4 | 5 | 5 | 6 | 6 | 7 | 7 |
-       # | 5 | 5 | 5 | 6 | 6 | 7 | 7 | 8 | 8 |
-       # | 6 | 6 | 6 | 7 | 7 | 8 | 8 | 9 | 9 |
-       # | 7 | 7 | 7 | 8 | 8 | 9 | 9 | a | a |
        #
        # We calculate this in a similar manner to the diagonal
        # partial sums, but first we have to do pair-wise addition
-       # on all the elements of the img matrix:
-       #setvl          0,0,64,0,1,1                    # Set VL to 64 elements
-       #svstep         2
-       #sv.add         *img, *img, *img+1
+       # on all the elements of the img matrix, compressing the rows
+       # to half size in the process
+       #
+       # 
+       # |   | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |    |   | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | a |
+       # | 0 | 0 | 0 | 1 | 1 | 2 | 2 | 3 | 3 |    | 0 | 0 | 1 | 2 | 3 |
+       # | 1 | 1 | 1 | 2 | 2 | 3 | 3 | 4 | 4 |    | 1 |   | 1 | 2 | 3 | 4 |
+       # | 2 | 2 | 2 | 3 | 3 | 4 | 4 | 5 | 5 |    | 2 |       | 2 | 3 | 4 | 5 |
+       # | 3 | 3 | 3 | 4 | 4 | 5 | 5 | 6 | 6 | -> | 3 |           | 3 | 4 | 5 | 6 |
+       # | 4 | 4 | 4 | 5 | 5 | 6 | 6 | 7 | 7 |    | 4 |               | 4 | 5 | 6 | 7 |
+       # | 5 | 5 | 5 | 6 | 6 | 7 | 7 | 8 | 8 |    | 5 |                   | 5 | 6 | 7 | 8 |
+       # | 6 | 6 | 6 | 7 | 7 | 8 | 8 | 9 | 9 |    | 6 |                       | 6 | 7 | 8 | 9 |
+       # | 7 | 7 | 7 | 8 | 8 | 9 | 9 | a | a |    | 7 |                           | 7 | 8 | 9 | a |
+       #
+       setvl                   0,0,16,0,1,1                    # Set VL to 16 elements
+       ori                     pred, 0, 0b0101010101010101
+       sv.add/sm=r3            *psum+0, *img, *img+1
+       sv.add/sm=r3            *psum+16, *img+16, *img+17
+       #Copy the even-numbered registers only
+       sv.ori/sm=r3            *img+0, *psum+0, 0
+       sv.ori/sm=r3            *img+8, *psum+16, 0
+       # Process the next 32 elements
+       sv.add/sm=r3            *psum+0, *img+32, *img+33
+       sv.add/sm=r3            *psum+16, *img+48, *img+49
+       # Copy their sums (again even-numbered registers only)
+       sv.ori/sm=r3            *img+16, *psum+0, 0
+       sv.ori/sm=r3            *img+24, *psum+16, 0
+       
+       # clear registers to hold the values
+       setvl                   0,0,11,0,1,1                    # Set VL to 22 elements
+       sv.ori                  *psum_alt, 0, 0
+
+       setvl                   0,0,4,0,1,1                     # Set VL to 4 elements
+       sv.add                  *psum_alt+0, *psum_alt+0, *img+0
+       sv.add                  *psum_alt+1, *psum_alt+1, *img+4
+       sv.add                  *psum_alt+2, *psum_alt+2, *img+8
+       sv.add                  *psum_alt+3, *psum_alt+3, *img+12
+       sv.add                  *psum_alt+4, *psum_alt+4, *img+16
+       sv.add                  *psum_alt+5, *psum_alt+5, *img+20
+       sv.add                  *psum_alt+6, *psum_alt+6, *img+24
+       sv.add                  *psum_alt+7, *psum_alt+7, *img+28
+
+       # We need to reshape div_table to ease calculations:
+       # The elements 3 - 8 will be multiplied by 105
+       # and elements 0-3 and 8-10 will be multiplied by 420, 210, 140, resp,
+       # so 
+       li                      divt+0, 420
+       li                      divt+1, 210
+       li                      divt+2, 140
+       setvl                   0,0,5,0,1,1                     # Set VL to 5 elements
+       sv.ori                  *divt+3, 0, 105
+       li                      divt+8, 140
+       li                      divt+9, 210
+       li                      divt+10, 420
+
+       # Now the following is equivalent to:
+       # for (int m = 0; m < 5; m++)
+       #   cost[1] += partial_sum_alt[0][3 + m] * partial_sum_alt[0][3 + m];
+        # cost[1] *= 105;
+       # for (int m = 0; m < 3; m++) {
+        #   const int d = div_table[2 * m + 1];
+        #   cost[1] += (partial_sum_alt[0][m]      * partial_sum_alt[0][m] +
+        #               partial_sum_alt[0][10 - m] * partial_sum_alt[0][10 - m]) * d;
+       setvl                   0,0,11,0,1,1                    # Set VL to 11 elements
+       sv.mulld                *psum_alt+0, *psum_alt+0, *psum_alt+0
+       sv.mulld                *psum_alt+0, *psum_alt+0, *divt
+       sv.add/mr               cost+1, *psum_alt+0, cost+1
+       # Next row of partial_sum_alts, 
+       # partial_sum_alt [1][3 + y - (x >> 1)] += px;
+       #
+       # |   | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |    |   | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | a |
+       # | 0 | 3 | 3 | 2 | 2 | 1 | 1 | 0 | 0 |    | 0 |                           | 3 | 2 | 1 | 0 |
+       # | 1 | 4 | 4 | 3 | 3 | 2 | 2 | 1 | 1 |    | 1 |                       | 4 | 3 | 2 | 1 |
+       # | 2 | 5 | 5 | 4 | 4 | 3 | 3 | 2 | 2 |    | 2 |                   | 5 | 4 | 3 | 2 |
+       # | 3 | 6 | 6 | 5 | 5 | 4 | 4 | 3 | 3 | -> | 3 |               | 6 | 5 | 4 | 3 |
+       # | 4 | 7 | 7 | 6 | 6 | 5 | 5 | 4 | 4 |    | 4 |           | 7 | 6 | 5 | 4 |
+       # | 5 | 8 | 8 | 7 | 7 | 6 | 6 | 5 | 5 |    | 5 |       | 8 | 7 | 6 | 5 |
+       # | 6 | 9 | 9 | 8 | 8 | 7 | 7 | 6 | 6 |    | 6 |   | 9 | 8 | 7 | 6 |
+       # | 7 | a | a | 9 | 9 | 8 | 8 | 7 | 7 |    | 7 | a | 9 | 8 | 7 |
+
+       setvl                   0,0,32,0,1,1                    # clear everything
+       sv.ori                  *96, 0, 0
+
+       # Same method, unfortunately now we have to load img again
+       # With elwidth and subvl we could pack the data to avoid any loads whatsever
+       # Load 8x8 8-bit elements from ptr_copy in groups of 8 with stride
+       mr                      ptr_copy, ptr_orig
+       setvl                   0,0,8,0,1,1                     # Set VL to 8 elements
+       sv.lha                  *img, 0(ptr_copy)               # Load 8 ints from (ptr_copy)
+       add                     ptr_copy, ptr_copy, stride      # Advance ptr_copy by stride
+       sv.lha                  *img + 8, 0(ptr_copy)
+       add                     ptr_copy, ptr_copy, stride
+       sv.lha                  *img + 16, 0(ptr_copy)
+       add                     ptr_copy, ptr_copy, stride
+       sv.lha                  *img + 24, 0(ptr_copy)
+       add                     ptr_copy, ptr_copy, stride
+       sv.lha                  *img + 32, 0(ptr_copy)
+       add                     ptr_copy, ptr_copy, stride
+       sv.lha                  *img + 40, 0(ptr_copy)
+       add                     ptr_copy, ptr_copy, stride
+       sv.lha                  *img + 48, 0(ptr_copy)
+       add                     ptr_copy, ptr_copy, stride
+       sv.lha                  *img + 56, 0(ptr_copy)
+
+       setvl                   0,0,64,0,1,1                    # Set VL to 64 elements
+       sv.sraw                 *img, *img, bd                  # img[x] >> bitdepth_min_8
+       sv.addi                 *img, *img, -128                # px = (img[x] >> bitdepth_min_8) - 128
+
+       setvl                   0,0,16,0,1,1                    # Set VL to 16 elements
+       ori                     pred, 0, 0b0101010101010101
+       sv.add/sm=r3            *psum+0, *img, *img+1
+       sv.add/sm=r3            *psum+16, *img+16, *img+17
+       #Copy the even-numbered registers only
+       sv.ori/sm=r3            *img+0, *psum+0, 0
+       sv.ori/sm=r3            *img+8, *psum+16, 0
+       # Process the next 32 elements
+       sv.add/sm=r3            *psum+0, *img+32, *img+33
+       sv.add/sm=r3            *psum+16, *img+48, *img+49
+       # Copy their sums (again even-numbered registers only)
+       sv.ori/sm=r3            *img+16, *psum+0, 0
+       sv.ori/sm=r3            *img+24, *psum+16, 0
+
+       # clear registers to hold the values
+       setvl                   0,0,11,0,1,1                    # Set VL to 11 elements
+       sv.ori                  *psum_alt, 0, 0
+
+       setvl                   0,0,4,0,1,1                     # Set VL to 4 elements
+       sv.add                  *psum_alt+7, *psum_alt+7, *img+0
+       sv.add                  *psum_alt+6, *psum_alt+6, *img+4
+       sv.add                  *psum_alt+5, *psum_alt+5, *img+8
+       sv.add                  *psum_alt+4, *psum_alt+4, *img+12
+       sv.add                  *psum_alt+3, *psum_alt+3, *img+16
+       sv.add                  *psum_alt+2, *psum_alt+2, *img+20
+       sv.add                  *psum_alt+1, *psum_alt+1, *img+24
+       sv.add                  *psum_alt+0, *psum_alt+0, *img+28
+
+       # Now the following is equivalent to:
+       # for (int m = 0; m < 5; m++)
+       #   cost[3] += partial_sum_alt[1][3 + m] * partial_sum_alt[1][3 + m];
+        # cost[3] *= 105;
+       # for (int m = 0; m < 3; m++) {
+        #   const int d = div_table[2 * m + 1];
+        #   cost[3] += (partial_sum_alt[1][m]      * partial_sum_alt[1][m] +
+        #               partial_sum_alt[1][10 - m] * partial_sum_alt[1][10 - m]) * d;
+       setvl                   0,0,11,0,1,1                    # Set VL to 11 elements
+       sv.mulld                *psum_alt+0, *psum_alt+0, *psum_alt+0
+       sv.mulld                *psum_alt+0, *psum_alt+0, *divt
+       sv.add/mr               cost+3, *psum_alt+0, cost+3
+
+       #setvl                  0,0,64,0,1,1                    # clear everything
+       #sv.ori                 *img, 0, 0
+       #setvl                  0,0,32,0,1,1                    # clear everything
+       #sv.ori                 *96, 0, 0
+
+       # Next row of partial_sum_alts, 
+       # partial_sum_alt [2][3 - (y >> 1) +  x      ] += px;
+       #
+       # |   | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |    |   | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | a |
+       # | 0 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | a |    | 0 |           | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
+       # | 1 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | a |    | 1 |           | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
+       # | 2 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |    | 2 |       | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
+       # | 3 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | -> | 3 |       | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
+       # | 4 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |    | 4 |   | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
+       # | 5 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |    | 5 |   | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
+       # | 6 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |    | 6 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
+       # | 7 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |    | 7 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
+
+       # We calculate this in a similar manner to the diagonal
+       # partial sums, but first we have to do pair-wise addition, this time across rows
+       # on all the elements of the img matrix, compressing the columns
+       # to half size in the process
+
+       # Similar method, unfortunately now we have to load img again
+       # With elwidth and subvl we could pack the data to avoid any loads whatsever
+       # Load 8x8 8-bit elements from ptr_copy in groups of 8 with stride
+       mr                      ptr_copy, ptr_orig
+       setvl                   0,0,8,0,1,1                     # Set VL to 8 elements
+       sv.lha                  *img, 0(ptr_copy)               # Load 8 ints from (ptr_copy)
+       add                     ptr_copy, ptr_copy, stride      # Advance ptr_copy by stride
+       sv.lha                  *img + 8, 0(ptr_copy)
+       add                     ptr_copy, ptr_copy, stride
+       sv.lha                  *img + 16, 0(ptr_copy)
+       add                     ptr_copy, ptr_copy, stride
+       sv.lha                  *img + 24, 0(ptr_copy)
+       add                     ptr_copy, ptr_copy, stride
+       sv.lha                  *img + 32, 0(ptr_copy)
+       add                     ptr_copy, ptr_copy, stride
+       sv.lha                  *img + 40, 0(ptr_copy)
+       add                     ptr_copy, ptr_copy, stride
+       sv.lha                  *img + 48, 0(ptr_copy)
+       add                     ptr_copy, ptr_copy, stride
+       sv.lha                  *img + 56, 0(ptr_copy)
+
+       setvl                   0,0,64,0,1,1                    # Set VL to 64 elements
+       sv.sraw                 *img, *img, bd                  # img[x] >> bitdepth_min_8
+       sv.addi                 *img, *img, -128                # px = (img[x] >> bitdepth_min_8) - 128
+
+       # clear registers to hold the values
+       setvl                   0,0,11,0,1,1                    # Set VL to 11 elements
+       sv.ori                  *psum, 0, 0
+
+       setvl                   0,0,8,0,1,1                     # Set VL to 16 elements
+       # sum row 1 & 2, index +3
+       sv.add                  *psum+3, *psum+3, *img+0
+       sv.add                  *psum+3, *psum+3, *img+8
+       # sum row 2 & 3, index +2
+       sv.add                  *psum+2, *psum+2, *img+16
+       sv.add                  *psum+2, *psum+2, *img+24
+       # sum row 4 & 5, index +1
+       sv.add                  *psum+1, *psum+1, *img+32
+       sv.add                  *psum+1, *psum+1, *img+40
+       # sum row 6 & 7, index +0
+       sv.add                  *psum+0, *psum+0, *img+48
+       sv.add                  *psum+0, *psum+0, *img+56
+
+       # Now the following is equivalent to:
+       # for (int m = 0; m < 5; m++)
+       #   cost[5] += partial_sum_alt[2][3 + m] * partial_sum_alt[2][3 + m];
+        # cost[5] *= 105;
+       # for (int m = 0; m < 3; m++) {
+        #   const int d = div_table[2 * m + 1];
+        #   cost[5] += (partial_sum_alt[2][m]      * partial_sum_alt[2][m] +
+        #               partial_sum_alt[2][10 - m] * partial_sum_alt[2][10 - m]) * d;
+       setvl                   0,0,11,0,1,1                    # Set VL to 11 elements
+       sv.mulld                *psum+0, *psum+0, *psum+0
+       sv.mulld                *psum+0, *psum+0, *divt
+       sv.add/mr               cost+5, *psum+0, cost+5
+
+       # Next row of partial_sum_alts, 
+       # partial_sum_alt [3][ (y >> 1) +  x      ] += px;
+       #
+       # |   | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |    |   | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | a |
+       # | 0 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |    | 0 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
+       # | 1 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |    | 1 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
+       # | 2 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |    | 2 |   | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
+       # | 3 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | -> | 3 |   | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
+       # | 4 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |    | 4 |       | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
+       # | 5 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |    | 5 |       | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
+       # | 6 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | a |    | 6 |           | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
+       # | 7 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | a |    | 7 |           | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
 
-       #setvl          0,0,8,0,1,1                     # Set VL to 8 elements
-       #sv.add         *psum+0, *psum+0, *img+0
-       #sv.add         *psum+0, *psum+0, *img+1
-       #sv.add         *psum+1, *psum+1, *img+8
-       #sv.add         *psum+1, *psum+1, *img+9
+       # This calculation is similar to the previous, and we have enough registers available,
+       # we don't have to reload img.
 
+       setvl                   0,0,11,0,1,1                    # Set VL to 11 elements
+       sv.ori                  *psum, 0, 0
 
-       #setvl          0,0,10,0,1,1                    # Set VL to 2 elements
-       #sv.add/mr      *psum, *psum, *psum+1
-# 
+       setvl                   0,0,8,0,1,1                     # Set VL to 8 elements
+       # sum row 1 & 2, index +0
+       sv.add                  *psum+0, *psum+0, *img+0
+       sv.add                  *psum+0, *psum+0, *img+8
+       # sum row 2 & 3, index +1
+       sv.add                  *psum+1, *psum+1, *img+16
+       sv.add                  *psum+1, *psum+1, *img+24
+       # sum row 4 & 5, index +2
+       sv.add                  *psum+2, *psum+2, *img+32
+       sv.add                  *psum+2, *psum+2, *img+40
+       # sum row 6 & 7, index +3
+       sv.add                  *psum+3, *psum+3, *img+48
+       sv.add                  *psum+3, *psum+3, *img+56
 
+       # Now the following is equivalent to:
+       # for (int m = 0; m < 5; m++)
+       #   cost[7] += partial_sum_alt[3][3 + m] * partial_sum_alt[3][3 + m];
+        # cost[7] *= 105;
+       # for (int m = 0; m < 3; m++) {
+        #   const int d = div_table[2 * m + 1];
+        #   cost[7] += (partial_sum_alt[3][m]      * partial_sum_alt[3][m] +
+        #               partial_sum_alt[3][10 - m] * partial_sum_alt[3][10 - m]) * d;
+       setvl                   0,0,11,0,1,1                    # Set VL to 11 elements
+       sv.mulld                *psum+0, *psum+0, *psum+0
+       sv.mulld                *psum+0, *psum+0, *divt
+       sv.add/mr               cost+7, *psum+0, cost+7
 
+       setvl                   0,0,8,0,1,1                     # Set VL to 8 elements
+       #sv.maxs/mr             max, *cost
+       #sv.cmp/ff=ne/VLI       max, *cost, 1
+#      sv.addi/m=eq            retval,*,0
        blr
        .long 0
        .byte 0,0,0,0,0,0,0,0