移除SSE intrinsic函数中的指令为何会导致性能下降？

咱先把话说在前头：这个问题不是关于YUV422到RGB的转换本身哦！

先给你看看对应的SSE实现代码：

static void yuv422ToRGB(unsigned char* img,
  int width, int height, int widthStep, unsigned char* dst)
{

  __m128i yMask1 = _mm_setr_epi8(0, -1, 0, -1, 0, -1, 4, -1, 4, -1, 4, -1, 8, -1, 8, -1);
  __m128i yMask2 = _mm_setr_epi8(8, -1, 12, -1, 12, -1, 12, -1, -1, -1, -1, -1, -1, -1, -1, -1);
  __m128i uvMask1 = _mm_setr_epi8(1, 3, 1, 3, 1, 3, 5, 7, 5, 7, 5, 7, 9, 11, 9, 11);
  __m128i uvMask2 = _mm_setr_epi8(9, 11, 13, 15, 13, 15, 13, 15, -1, -1, -1, -1, -1, -1, -1, -1);
  __m128i magicMask1 = _mm_setr_epi8(0, 102, 25, 52, -127, 0, 0, 102, 25, 52, -127, 0, 0, 102, 25, 52);
  __m128i magicMask2 = _mm_setr_epi8(-127, 0, 0, 102, 25, 52, -127, 0, 0, 0, 0, 0, 0, 0, 0, 0);
  __m128i const128 = _mm_set1_epi8(-127);
  __m128i const16 = _mm_set1_epi16(16);
  __m128i const32 = _mm_set1_epi16(32);
  __m128i const74 = _mm_set1_epi16(74);
  // 代码此处截断，不影响核心逻辑分析
}

为啥移除这些SSE指令会导致性能下降？咱掰碎了说：

• 首先，SSE就是吃并行饭的！这段代码里的每个__m128i操作，都是一次干16个字节的活——原本要循环16次处理单字节的逻辑，现在一条指令就搞定了。要是你删了某条SSE指令，要么得退回到“一次处理1个/2个字节”的标量模式，循环次数直接翻好几倍，CPU的吞吐量瞬间就垮了。
• 其次，这套指令序列是流水线友好的：从掩码加载、数据提取到运算，是顺着CPU流水线走的，每一步都在给下一个任务铺路。你删中间指令，就等于把流水线拆了个口子，CPU得停下来等数据、重新调度，这中间的停顿（stall）可是很费时间的。
• 再者，代码里的这些掩码（比如yMask1、uvMask1）是用来一次性打包提取Y/U/V分量的，删了相关指令，你就得手动拆分数据，额外加一堆内存访问和判断逻辑——内存访问的延迟可比SIMD运算高多了，这开销一下子就上去了。
• 举个具体的例子：要是你删了yMask2的定义，原本一次能从128位寄存器里抠出后续的Y分量，现在就得手动加载、移位、拆分，多出来好几个标量操作，每轮循环的执行时间直接变长，整体性能自然就降了。

备注：内容来源于stack exchange，提问作者Crigges