如何在ARM Neon寄存器中高效将4个8位字节扩展为12位

针对你提出的需求——把4个字节扩展为12位格式（每个字节后插入递增的零位，比如输入01 02 03 04得到01 20 00 03 40），我整理了两种高效实现方式：纯C语言的单值转换，以及ARM Neon SIMD加速版本，适合批量处理场景。

一、纯C语言实现（单32位输入） #

先补全你给出的函数框架，结合示例逻辑，完整实现如下：

#include <stdint.h>

uint64_t expand12(uint32_t i) {
    uint64_t result = 0;
    // 提取最高位字节（01），左移32位到目标位置
    result |= ((uint64_t)(i >> 24) << 32);
    // 提取第二个字节（02），左移28位（插入4个零位）
    result |= ((uint64_t)((i >> 16) & 0xFF) << 28);
    // 提取第三个字节（03），左移8位（插入8个零位）
    result |= ((uint64_t)((i >> 8) & 0xFF) << 8);
    // 提取最低位字节（04），左移4位（插入12个零位）
    result |= ((uint64_t)(i & 0xFF) << 4);
    return result;
}

逻辑说明： #

• 假设输入的32位变量i是大端字节序（即01 02 03 04对应i=0x01020304），我们逐个提取每个字节，通过左移对应位数来插入零位：
  • 第一个字节后插4个零 → 左移32位（目标位置是结果的最高8位，后面自然带4个零位）
  • 第二个字节后插8个零 → 左移28位（相对于第一个字节偏移4位，累计插入8个零）
  • 第三个字节后插12个零 → 左移8位（累计偏移24位，对应插入12个零）
  • 第四个字节后插16个零 → 左移4位（累计偏移36位，对应插入16个零）
• 最终返回的64位值0x0120000340，对应字节序列就是你要的01 20 00 03 40。

二、ARM Neon SIMD实现（批量处理） #

如果是在ARM平台上批量处理这类数据，用Neon指令可以大幅提升效率。假设你已经把4个字节加载到Neon的uint8x4_t寄存器中，实现代码如下：

#include <arm_neon.h>

void expand12_neon(const uint8_t* input, uint8_t* output) {
    // 加载4个输入字节到Neon寄存器
    uint8x4_t bytes = vld1_u8(input);
    
    // 逐个提取字节并移位到目标位置，扩展为64位
    uint64x1_t b0 = vshl_n_u64(vmovl_u8(vget_lane_u8(bytes, 0)), 32);
    uint64x1_t b1 = vshl_n_u64(vmovl_u8(vget_lane_u8(bytes, 1)), 28);
    uint64x1_t b2 = vshl_n_u64(vmovl_u8(vget_lane_u8(bytes, 2)), 8);
    uint64x1_t b3 = vshl_n_u64(vmovl_u8(vget_lane_u8(bytes, 3)), 4);
    
    // 合并所有移位后的结果
    uint64x1_t expanded = vorr_u64(vorr_u64(b0, b1), vorr_u64(b2, b3));
    
    // 转换为8位字节寄存器并存储（只取低5个字节即可）
    uint8x8_t expanded_bytes = vreinterpret_u8_u64(expanded);
    vst1_u8(output, expanded_bytes);
}

逻辑说明： #

• 用vld1_u8加载4个输入字节到uint8x4_t寄存器；
• 每个字节通过vmovl_u8扩展为64位，再用vshl_n_u64左移到对应位置，和C语言的移位逻辑完全一致；
• 用vorr_u64（按位或）合并所有64位结果；
• 最后把64位寄存器转成uint8x8_t，用vst1_u8存储到输出缓冲区，输出的前5个字节就是你需要的目标序列。

如果需要批量处理多组4字节数据，可以改成处理uint8x16_t这类宽寄存器，进一步提升并行效率。

内容的提问来源于stack exchange，提问作者Pavel P