如何高效在AVX2通道间重排交错8位值（灰度转BGRA场景）

我正在用AVX2实现16位窄带灰度图转BGRA格式的转换。这个灰度格式比较特殊：每个像素用16位存储，但实际有效灰度值只在低8位，高8位无意义，本质是8位数据放在16位空间里。

常规C++实现 #

auto * s = reinterpret_cast<uint16_t*>(input_data);
auto * d = reinterpret_cast<uint8_t *>(output_data);

for (auto y = 0; y < Height; y++, s += input_pitch, d += output_pitch)
{
    for (auto x = 0; x < Width; x++)
    {
        auto v = static_cast<uint8_t>(s[x]);

        d[x * 4 + 0] = v;  // B通道
        d[x * 4 + 1] = v;  // G通道
        d[x * 4 + 2] = v;  // R通道
        d[x * 4 + 3] = 255;// Alpha通道
    }
}

AVX2实现思路与问题 #

我计划用两个__m256i寄存器加载连续32个像素（每个寄存器存16个16位字），然后通过窄化操作丢弃高8位，代码如下：

// 从源加载32个灰度像素（每个像素2字节）
__m256i a = _mm256_load_si256(reinterpret_cast<const __m256i*>(s + x));
__m256i b = _mm256_load_si256(reinterpret_cast<const __m256i*>(s + x + 16));

// 将16位灰度值打包为8位
__m256i packed = _mm256_packus_epi16(a, b);

但_mm256_packus_epi16的输出顺序不符合需求：它会把结果排列成a0~a7, b0~b7, a8~a15, b8~b15，而我需要的是a0~a15, b0~b15的顺序。

AVX2没有直接的跨通道置换指令，需要组合多条指令来实现重排。我写了一个测试程序调试，但重排步骤一直失败，希望得到帮助：

测试程序 #

#include <immintrin.h>
#include <iostream>
#include <vector>
#include <iomanip>

// 辅助函数：以字节形式打印256位寄存器
void print_m256i(char const * label, __m256i reg)
{
    uint8_t vals[32];
    _mm256_storeu_si256(reinterpret_cast<__m256i*>(vals), reg);

    std::cout << label << ": ";
    for (int i = 0; i < 32; ++i)
    {
        std::cout << std::setw(3) << static_cast<int>(vals[i]) << " ";
    }
    std::cout << "\n";
}        

int main(void)
{
    // 模拟16位灰度值
    alignas(32) uint16_t s1_vals[16] = { 21, 19, 24, 27, 27, 30, 41, 38, 32, 41, 35, 38, 41, 38, 38, 30 };
    alignas(32) uint16_t s2_vals[16] = { 30, 30, 30, 30, 24, 24, 24, 24, 24, 32, 32, 32, 35, 35, 32, 32 };

    // 加载源数据到AVX2寄存器
    __m256i s1 = _mm256_load_si256(reinterpret_cast<const __m256i*>(s1_vals));
    __m256i s2 = _mm256_load_si256(reinterpret_cast<const __m256i*>(s2_vals));

    // 步骤1：将16位值打包为8位
    __m256i packed = _mm256_packus_epi16(s1, s2);
    print_m256i("Packed", packed);

    // 步骤2：拆分为两个128位通道以便重排
    __m128i lower_lane = _mm256_castsi256_si128(packed);
    __m128i upper_lane = _mm256_extracti128_si256(packed, 1);
    print_m256i("Lower Lane", _mm256_castsi128_si256(lower_lane));
    print_m256i("Upper Lane", _mm256_castsi128_si256(upper_lane));

    // 步骤3：通道内洗牌（调试用，当前逻辑不正确）
    __m128i interleaved_s1 = _mm_unpacklo_epi8(lower_lane, upper_lane); // 预期s1[0..7]和s1[8..15]
    __m128i interleaved_s2 = _mm_unpackhi_epi8(lower_lane, upper_lane); // 预期s2[0..7]和s2[8..15]
    print_m256i("Interleaved S1", _mm256_castsi128_si256(interleaved_s1));
    print_m256i("Interleaved S2", _mm256_castsi128_si256(interleaved_s2));

    // 步骤4：合并回256位寄存器
    __m256i reordered = _mm256_set_m128i(interleaved_s2, interleaved_s1);
    print_m256i("Reordered", reordered);

    return 0;
}

内容的提问来源于stack exchange，提问作者Robinson