/*
 *  Copyright (c) 2014 The WebM project authors. All Rights Reserved.
 *
 *  Use of this source code is governed by a BSD-style license
 *  that can be found in the LICENSE file in the root of the source
 *  tree. An additional intellectual property rights grant can be found
 *  in the file PATENTS.  All contributing project authors may
 *  be found in the AUTHORS file in the root of the source tree.
 */

#include <arm_neon.h>
#include <string.h>
#include "./vpx_config.h"

static const uint8_t bifilter4_coeff[8][2] = { { 128, 0 }, { 112, 16 },
                                               { 96, 32 }, { 80, 48 },
                                               { 64, 64 }, { 48, 80 },
                                               { 32, 96 }, { 16, 112 } };

static INLINE uint8x8_t load_and_shift(const unsigned char *a) {
  return vreinterpret_u8_u64(vshl_n_u64(vreinterpret_u64_u8(vld1_u8(a)), 32));
}

static INLINE void store4x4(unsigned char *dst, int dst_stride,
                            const uint8x8_t a0, const uint8x8_t a1) {
  if (!((uintptr_t)dst & 0x3) && !(dst_stride & 0x3)) {
    vst1_lane_u32((uint32_t *)dst, vreinterpret_u32_u8(a0), 0);
    dst += dst_stride;
    vst1_lane_u32((uint32_t *)dst, vreinterpret_u32_u8(a0), 1);
    dst += dst_stride;
    vst1_lane_u32((uint32_t *)dst, vreinterpret_u32_u8(a1), 0);
    dst += dst_stride;
    vst1_lane_u32((uint32_t *)dst, vreinterpret_u32_u8(a1), 1);
  } else {
    // Store to the aligned local buffer and memcpy instead of vget_lane_u8
    // which is really really slow.
    uint32_t output_buffer[4];
    vst1_lane_u32(output_buffer, vreinterpret_u32_u8(a0), 0);
    vst1_lane_u32(output_buffer + 1, vreinterpret_u32_u8(a0), 1);
    vst1_lane_u32(output_buffer + 2, vreinterpret_u32_u8(a1), 0);
    vst1_lane_u32(output_buffer + 3, vreinterpret_u32_u8(a1), 1);

    memcpy(dst, output_buffer, 4);
    dst += dst_stride;
    memcpy(dst, output_buffer + 1, 4);
    dst += dst_stride;
    memcpy(dst, output_buffer + 2, 4);
    dst += dst_stride;
    memcpy(dst, output_buffer + 3, 4);
  }
}

void vp8_bilinear_predict4x4_neon(unsigned char *src_ptr,
                                  int src_pixels_per_line, int xoffset,
                                  int yoffset, unsigned char *dst_ptr,
                                  int dst_pitch) {
  uint8x8_t e0, e1, e2;

  if (xoffset == 0) {  // skip_1stpass_filter
    uint8x8_t a0, a1, a2, a3, a4;

    a0 = load_and_shift(src_ptr);
    src_ptr += src_pixels_per_line;
    a1 = vld1_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    a2 = load_and_shift(src_ptr);
    src_ptr += src_pixels_per_line;
    a3 = vld1_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    a4 = vld1_u8(src_ptr);

    e0 = vext_u8(a0, a1, 4);
    e1 = vext_u8(a2, a3, 4);
    e2 = a4;
  } else {
    uint8x8_t a0, a1, a2, a3, a4, b4;
    uint8x16_t a01, a23;
    uint8x16_t b01, b23;
    uint32x2x2_t c0, c1, c2, c3;
    uint16x8_t d0, d1, d2;
    const uint8x8_t filter0 = vdup_n_u8(bifilter4_coeff[xoffset][0]);
    const uint8x8_t filter1 = vdup_n_u8(bifilter4_coeff[xoffset][1]);

    a0 = vld1_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    a1 = vld1_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    a2 = vld1_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    a3 = vld1_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    a4 = vld1_u8(src_ptr);

    a01 = vcombine_u8(a0, a1);
    a23 = vcombine_u8(a2, a3);

    b01 = vreinterpretq_u8_u64(vshrq_n_u64(vreinterpretq_u64_u8(a01), 8));
    b23 = vreinterpretq_u8_u64(vshrq_n_u64(vreinterpretq_u64_u8(a23), 8));
    b4 = vreinterpret_u8_u64(vshr_n_u64(vreinterpret_u64_u8(a4), 8));

    c0 = vzip_u32(vreinterpret_u32_u8(vget_low_u8(a01)),
                  vreinterpret_u32_u8(vget_high_u8(a01)));
    c1 = vzip_u32(vreinterpret_u32_u8(vget_low_u8(a23)),
                  vreinterpret_u32_u8(vget_high_u8(a23)));
    c2 = vzip_u32(vreinterpret_u32_u8(vget_low_u8(b01)),
                  vreinterpret_u32_u8(vget_high_u8(b01)));
    c3 = vzip_u32(vreinterpret_u32_u8(vget_low_u8(b23)),
                  vreinterpret_u32_u8(vget_high_u8(b23)));

    d0 = vmull_u8(vreinterpret_u8_u32(c0.val[0]), filter0);
    d1 = vmull_u8(vreinterpret_u8_u32(c1.val[0]), filter0);
    d2 = vmull_u8(a4, filter0);

    d0 = vmlal_u8(d0, vreinterpret_u8_u32(c2.val[0]), filter1);
    d1 = vmlal_u8(d1, vreinterpret_u8_u32(c3.val[0]), filter1);
    d2 = vmlal_u8(d2, b4, filter1);

    e0 = vqrshrn_n_u16(d0, 7);
    e1 = vqrshrn_n_u16(d1, 7);
    e2 = vqrshrn_n_u16(d2, 7);
  }

  // secondpass_filter
  if (yoffset == 0) {  // skip_2ndpass_filter
    store4x4(dst_ptr, dst_pitch, e0, e1);
  } else {
    uint8x8_t f0, f1;
    const uint8x8_t filter0 = vdup_n_u8(bifilter4_coeff[yoffset][0]);
    const uint8x8_t filter1 = vdup_n_u8(bifilter4_coeff[yoffset][1]);

    uint16x8_t b0 = vmull_u8(e0, filter0);
    uint16x8_t b1 = vmull_u8(e1, filter0);

    const uint8x8_t a0 = vext_u8(e0, e1, 4);
    const uint8x8_t a1 = vext_u8(e1, e2, 4);

    b0 = vmlal_u8(b0, a0, filter1);
    b1 = vmlal_u8(b1, a1, filter1);

    f0 = vqrshrn_n_u16(b0, 7);
    f1 = vqrshrn_n_u16(b1, 7);

    store4x4(dst_ptr, dst_pitch, f0, f1);
  }
}

void vp8_bilinear_predict8x4_neon(unsigned char *src_ptr,
                                  int src_pixels_per_line, int xoffset,
                                  int yoffset, unsigned char *dst_ptr,
                                  int dst_pitch) {
  uint8x8_t d0u8, d1u8, d2u8, d3u8, d4u8, d5u8;
  uint8x8_t d7u8, d9u8, d11u8, d22u8, d23u8, d24u8, d25u8, d26u8;
  uint8x16_t q1u8, q2u8, q3u8, q4u8, q5u8;
  uint16x8_t q1u16, q2u16, q3u16, q4u16;
  uint16x8_t q6u16, q7u16, q8u16, q9u16, q10u16;

  if (xoffset == 0) {  // skip_1stpass_filter
    d22u8 = vld1_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    d23u8 = vld1_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    d24u8 = vld1_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    d25u8 = vld1_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    d26u8 = vld1_u8(src_ptr);
  } else {
    q1u8 = vld1q_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    q2u8 = vld1q_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    q3u8 = vld1q_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    q4u8 = vld1q_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    q5u8 = vld1q_u8(src_ptr);

    d0u8 = vdup_n_u8(bifilter4_coeff[xoffset][0]);
    d1u8 = vdup_n_u8(bifilter4_coeff[xoffset][1]);

    q6u16 = vmull_u8(vget_low_u8(q1u8), d0u8);
    q7u16 = vmull_u8(vget_low_u8(q2u8), d0u8);
    q8u16 = vmull_u8(vget_low_u8(q3u8), d0u8);
    q9u16 = vmull_u8(vget_low_u8(q4u8), d0u8);
    q10u16 = vmull_u8(vget_low_u8(q5u8), d0u8);

    d3u8 = vext_u8(vget_low_u8(q1u8), vget_high_u8(q1u8), 1);
    d5u8 = vext_u8(vget_low_u8(q2u8), vget_high_u8(q2u8), 1);
    d7u8 = vext_u8(vget_low_u8(q3u8), vget_high_u8(q3u8), 1);
    d9u8 = vext_u8(vget_low_u8(q4u8), vget_high_u8(q4u8), 1);
    d11u8 = vext_u8(vget_low_u8(q5u8), vget_high_u8(q5u8), 1);

    q6u16 = vmlal_u8(q6u16, d3u8, d1u8);
    q7u16 = vmlal_u8(q7u16, d5u8, d1u8);
    q8u16 = vmlal_u8(q8u16, d7u8, d1u8);
    q9u16 = vmlal_u8(q9u16, d9u8, d1u8);
    q10u16 = vmlal_u8(q10u16, d11u8, d1u8);

    d22u8 = vqrshrn_n_u16(q6u16, 7);
    d23u8 = vqrshrn_n_u16(q7u16, 7);
    d24u8 = vqrshrn_n_u16(q8u16, 7);
    d25u8 = vqrshrn_n_u16(q9u16, 7);
    d26u8 = vqrshrn_n_u16(q10u16, 7);
  }

  // secondpass_filter
  if (yoffset == 0) {  // skip_2ndpass_filter
    vst1_u8((uint8_t *)dst_ptr, d22u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d23u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d24u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d25u8);
  } else {
    d0u8 = vdup_n_u8(bifilter4_coeff[yoffset][0]);
    d1u8 = vdup_n_u8(bifilter4_coeff[yoffset][1]);

    q1u16 = vmull_u8(d22u8, d0u8);
    q2u16 = vmull_u8(d23u8, d0u8);
    q3u16 = vmull_u8(d24u8, d0u8);
    q4u16 = vmull_u8(d25u8, d0u8);

    q1u16 = vmlal_u8(q1u16, d23u8, d1u8);
    q2u16 = vmlal_u8(q2u16, d24u8, d1u8);
    q3u16 = vmlal_u8(q3u16, d25u8, d1u8);
    q4u16 = vmlal_u8(q4u16, d26u8, d1u8);

    d2u8 = vqrshrn_n_u16(q1u16, 7);
    d3u8 = vqrshrn_n_u16(q2u16, 7);
    d4u8 = vqrshrn_n_u16(q3u16, 7);
    d5u8 = vqrshrn_n_u16(q4u16, 7);

    vst1_u8((uint8_t *)dst_ptr, d2u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d3u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d4u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d5u8);
  }
  return;
}

void vp8_bilinear_predict8x8_neon(unsigned char *src_ptr,
                                  int src_pixels_per_line, int xoffset,
                                  int yoffset, unsigned char *dst_ptr,
                                  int dst_pitch) {
  uint8x8_t d0u8, d1u8, d2u8, d3u8, d4u8, d5u8, d6u8, d7u8, d8u8, d9u8, d11u8;
  uint8x8_t d22u8, d23u8, d24u8, d25u8, d26u8, d27u8, d28u8, d29u8, d30u8;
  uint8x16_t q1u8, q2u8, q3u8, q4u8, q5u8;
  uint16x8_t q1u16, q2u16, q3u16, q4u16, q5u16;
  uint16x8_t q6u16, q7u16, q8u16, q9u16, q10u16;

  if (xoffset == 0) {  // skip_1stpass_filter
    d22u8 = vld1_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    d23u8 = vld1_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    d24u8 = vld1_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    d25u8 = vld1_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    d26u8 = vld1_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    d27u8 = vld1_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    d28u8 = vld1_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    d29u8 = vld1_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    d30u8 = vld1_u8(src_ptr);
  } else {
    q1u8 = vld1q_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    q2u8 = vld1q_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    q3u8 = vld1q_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    q4u8 = vld1q_u8(src_ptr);
    src_ptr += src_pixels_per_line;

    d0u8 = vdup_n_u8(bifilter4_coeff[xoffset][0]);
    d1u8 = vdup_n_u8(bifilter4_coeff[xoffset][1]);

    q6u16 = vmull_u8(vget_low_u8(q1u8), d0u8);
    q7u16 = vmull_u8(vget_low_u8(q2u8), d0u8);
    q8u16 = vmull_u8(vget_low_u8(q3u8), d0u8);
    q9u16 = vmull_u8(vget_low_u8(q4u8), d0u8);

    d3u8 = vext_u8(vget_low_u8(q1u8), vget_high_u8(q1u8), 1);
    d5u8 = vext_u8(vget_low_u8(q2u8), vget_high_u8(q2u8), 1);
    d7u8 = vext_u8(vget_low_u8(q3u8), vget_high_u8(q3u8), 1);
    d9u8 = vext_u8(vget_low_u8(q4u8), vget_high_u8(q4u8), 1);

    q6u16 = vmlal_u8(q6u16, d3u8, d1u8);
    q7u16 = vmlal_u8(q7u16, d5u8, d1u8);
    q8u16 = vmlal_u8(q8u16, d7u8, d1u8);
    q9u16 = vmlal_u8(q9u16, d9u8, d1u8);

    d22u8 = vqrshrn_n_u16(q6u16, 7);
    d23u8 = vqrshrn_n_u16(q7u16, 7);
    d24u8 = vqrshrn_n_u16(q8u16, 7);
    d25u8 = vqrshrn_n_u16(q9u16, 7);

    // first_pass filtering on the rest 5-line data
    q1u8 = vld1q_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    q2u8 = vld1q_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    q3u8 = vld1q_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    q4u8 = vld1q_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    q5u8 = vld1q_u8(src_ptr);

    q6u16 = vmull_u8(vget_low_u8(q1u8), d0u8);
    q7u16 = vmull_u8(vget_low_u8(q2u8), d0u8);
    q8u16 = vmull_u8(vget_low_u8(q3u8), d0u8);
    q9u16 = vmull_u8(vget_low_u8(q4u8), d0u8);
    q10u16 = vmull_u8(vget_low_u8(q5u8), d0u8);

    d3u8 = vext_u8(vget_low_u8(q1u8), vget_high_u8(q1u8), 1);
    d5u8 = vext_u8(vget_low_u8(q2u8), vget_high_u8(q2u8), 1);
    d7u8 = vext_u8(vget_low_u8(q3u8), vget_high_u8(q3u8), 1);
    d9u8 = vext_u8(vget_low_u8(q4u8), vget_high_u8(q4u8), 1);
    d11u8 = vext_u8(vget_low_u8(q5u8), vget_high_u8(q5u8), 1);

    q6u16 = vmlal_u8(q6u16, d3u8, d1u8);
    q7u16 = vmlal_u8(q7u16, d5u8, d1u8);
    q8u16 = vmlal_u8(q8u16, d7u8, d1u8);
    q9u16 = vmlal_u8(q9u16, d9u8, d1u8);
    q10u16 = vmlal_u8(q10u16, d11u8, d1u8);

    d26u8 = vqrshrn_n_u16(q6u16, 7);
    d27u8 = vqrshrn_n_u16(q7u16, 7);
    d28u8 = vqrshrn_n_u16(q8u16, 7);
    d29u8 = vqrshrn_n_u16(q9u16, 7);
    d30u8 = vqrshrn_n_u16(q10u16, 7);
  }

  // secondpass_filter
  if (yoffset == 0) {  // skip_2ndpass_filter
    vst1_u8((uint8_t *)dst_ptr, d22u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d23u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d24u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d25u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d26u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d27u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d28u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d29u8);
  } else {
    d0u8 = vdup_n_u8(bifilter4_coeff[yoffset][0]);
    d1u8 = vdup_n_u8(bifilter4_coeff[yoffset][1]);

    q1u16 = vmull_u8(d22u8, d0u8);
    q2u16 = vmull_u8(d23u8, d0u8);
    q3u16 = vmull_u8(d24u8, d0u8);
    q4u16 = vmull_u8(d25u8, d0u8);
    q5u16 = vmull_u8(d26u8, d0u8);
    q6u16 = vmull_u8(d27u8, d0u8);
    q7u16 = vmull_u8(d28u8, d0u8);
    q8u16 = vmull_u8(d29u8, d0u8);

    q1u16 = vmlal_u8(q1u16, d23u8, d1u8);
    q2u16 = vmlal_u8(q2u16, d24u8, d1u8);
    q3u16 = vmlal_u8(q3u16, d25u8, d1u8);
    q4u16 = vmlal_u8(q4u16, d26u8, d1u8);
    q5u16 = vmlal_u8(q5u16, d27u8, d1u8);
    q6u16 = vmlal_u8(q6u16, d28u8, d1u8);
    q7u16 = vmlal_u8(q7u16, d29u8, d1u8);
    q8u16 = vmlal_u8(q8u16, d30u8, d1u8);

    d2u8 = vqrshrn_n_u16(q1u16, 7);
    d3u8 = vqrshrn_n_u16(q2u16, 7);
    d4u8 = vqrshrn_n_u16(q3u16, 7);
    d5u8 = vqrshrn_n_u16(q4u16, 7);
    d6u8 = vqrshrn_n_u16(q5u16, 7);
    d7u8 = vqrshrn_n_u16(q6u16, 7);
    d8u8 = vqrshrn_n_u16(q7u16, 7);
    d9u8 = vqrshrn_n_u16(q8u16, 7);

    vst1_u8((uint8_t *)dst_ptr, d2u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d3u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d4u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d5u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d6u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d7u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d8u8);
    dst_ptr += dst_pitch;
    vst1_u8((uint8_t *)dst_ptr, d9u8);
  }
  return;
}

void vp8_bilinear_predict16x16_neon(unsigned char *src_ptr,
                                    int src_pixels_per_line, int xoffset,
                                    int yoffset, unsigned char *dst_ptr,
                                    int dst_pitch) {
  int i;
  unsigned char tmp[272];
  unsigned char *tmpp;
  uint8x8_t d0u8, d1u8, d2u8, d3u8, d4u8, d5u8, d6u8, d7u8, d8u8, d9u8;
  uint8x8_t d10u8, d11u8, d12u8, d13u8, d14u8, d15u8, d16u8, d17u8, d18u8;
  uint8x8_t d19u8, d20u8, d21u8;
  uint8x16_t q1u8, q2u8, q3u8, q4u8, q5u8, q6u8, q7u8, q8u8, q9u8, q10u8;
  uint8x16_t q11u8, q12u8, q13u8, q14u8, q15u8;
  uint16x8_t q1u16, q2u16, q3u16, q4u16, q5u16, q6u16, q7u16, q8u16;
  uint16x8_t q9u16, q10u16, q11u16, q12u16, q13u16, q14u16;

  if (xoffset == 0) {  // secondpass_bfilter16x16_only
    d0u8 = vdup_n_u8(bifilter4_coeff[yoffset][0]);
    d1u8 = vdup_n_u8(bifilter4_coeff[yoffset][1]);

    q11u8 = vld1q_u8(src_ptr);
    src_ptr += src_pixels_per_line;
    for (i = 4; i > 0; i--) {
      q12u8 = vld1q_u8(src_ptr);
      src_ptr += src_pixels_per_line;
      q13u8 = vld1q_u8(src_ptr);
      src_ptr += src_pixels_per_line;
      q14u8 = vld1q_u8(src_ptr);
      src_ptr += src_pixels_per_line;
      q15u8 = vld1q_u8(src_ptr);
      src_ptr += src_pixels_per_line;

      q1u16 = vmull_u8(vget_low_u8(q11u8), d0u8);
      q2u16 = vmull_u8(vget_high_u8(q11u8), d0u8);
      q3u16 = vmull_u8(vget_low_u8(q12u8), d0u8);
      q4u16 = vmull_u8(vget_high_u8(q12u8), d0u8);
      q5u16 = vmull_u8(vget_low_u8(q13u8), d0u8);
      q6u16 = vmull_u8(vget_high_u8(q13u8), d0u8);
      q7u16 = vmull_u8(vget_low_u8(q14u8), d0u8);
      q8u16 = vmull_u8(vget_high_u8(q14u8), d0u8);

      q1u16 = vmlal_u8(q1u16, vget_low_u8(q12u8), d1u8);
      q2u16 = vmlal_u8(q2u16, vget_high_u8(q12u8), d1u8);
      q3u16 = vmlal_u8(q3u16, vget_low_u8(q13u8), d1u8);
      q4u16 = vmlal_u8(q4u16, vget_high_u8(q13u8), d1u8);
      q5u16 = vmlal_u8(q5u16, vget_low_u8(q14u8), d1u8);
      q6u16 = vmlal_u8(q6u16, vget_high_u8(q14u8), d1u8);
      q7u16 = vmlal_u8(q7u16, vget_low_u8(q15u8), d1u8);
      q8u16 = vmlal_u8(q8u16, vget_high_u8(q15u8), d1u8);

      d2u8 = vqrshrn_n_u16(q1u16, 7);
      d3u8 = vqrshrn_n_u16(q2u16, 7);
      d4u8 = vqrshrn_n_u16(q3u16, 7);
      d5u8 = vqrshrn_n_u16(q4u16, 7);
      d6u8 = vqrshrn_n_u16(q5u16, 7);
      d7u8 = vqrshrn_n_u16(q6u16, 7);
      d8u8 = vqrshrn_n_u16(q7u16, 7);
      d9u8 = vqrshrn_n_u16(q8u16, 7);

      q1u8 = vcombine_u8(d2u8, d3u8);
      q2u8 = vcombine_u8(d4u8, d5u8);
      q3u8 = vcombine_u8(d6u8, d7u8);
      q4u8 = vcombine_u8(d8u8, d9u8);

      q11u8 = q15u8;

      vst1q_u8((uint8_t *)dst_ptr, q1u8);
      dst_ptr += dst_pitch;
      vst1q_u8((uint8_t *)dst_ptr, q2u8);
      dst_ptr += dst_pitch;
      vst1q_u8((uint8_t *)dst_ptr, q3u8);
      dst_ptr += dst_pitch;
      vst1q_u8((uint8_t *)dst_ptr, q4u8);
      dst_ptr += dst_pitch;
    }
    return;
  }

  if (yoffset == 0) {  // firstpass_bfilter16x16_only
    d0u8 = vdup_n_u8(bifilter4_coeff[xoffset][0]);
    d1u8 = vdup_n_u8(bifilter4_coeff[xoffset][1]);

    for (i = 4; i > 0; i--) {
      d2u8 = vld1_u8(src_ptr);
      d3u8 = vld1_u8(src_ptr + 8);
      d4u8 = vld1_u8(src_ptr + 16);
      src_ptr += src_pixels_per_line;
      d5u8 = vld1_u8(src_ptr);
      d6u8 = vld1_u8(src_ptr + 8);
      d7u8 = vld1_u8(src_ptr + 16);
      src_ptr += src_pixels_per_line;
      d8u8 = vld1_u8(src_ptr);
      d9u8 = vld1_u8(src_ptr + 8);
      d10u8 = vld1_u8(src_ptr + 16);
      src_ptr += src_pixels_per_line;
      d11u8 = vld1_u8(src_ptr);
      d12u8 = vld1_u8(src_ptr + 8);
      d13u8 = vld1_u8(src_ptr + 16);
      src_ptr += src_pixels_per_line;

      q7u16 = vmull_u8(d2u8, d0u8);
      q8u16 = vmull_u8(d3u8, d0u8);
      q9u16 = vmull_u8(d5u8, d0u8);
      q10u16 = vmull_u8(d6u8, d0u8);
      q11u16 = vmull_u8(d8u8, d0u8);
      q12u16 = vmull_u8(d9u8, d0u8);
      q13u16 = vmull_u8(d11u8, d0u8);
      q14u16 = vmull_u8(d12u8, d0u8);

      d2u8 = vext_u8(d2u8, d3u8, 1);
      d5u8 = vext_u8(d5u8, d6u8, 1);
      d8u8 = vext_u8(d8u8, d9u8, 1);
      d11u8 = vext_u8(d11u8, d12u8, 1);

      q7u16 = vmlal_u8(q7u16, d2u8, d1u8);
      q9u16 = vmlal_u8(q9u16, d5u8, d1u8);
      q11u16 = vmlal_u8(q11u16, d8u8, d1u8);
      q13u16 = vmlal_u8(q13u16, d11u8, d1u8);

      d3u8 = vext_u8(d3u8, d4u8, 1);
      d6u8 = vext_u8(d6u8, d7u8, 1);
      d9u8 = vext_u8(d9u8, d10u8, 1);
      d12u8 = vext_u8(d12u8, d13u8, 1);

      q8u16 = vmlal_u8(q8u16, d3u8, d1u8);
      q10u16 = vmlal_u8(q10u16, d6u8, d1u8);
      q12u16 = vmlal_u8(q12u16, d9u8, d1u8);
      q14u16 = vmlal_u8(q14u16, d12u8, d1u8);

      d14u8 = vqrshrn_n_u16(q7u16, 7);
      d15u8 = vqrshrn_n_u16(q8u16, 7);
      d16u8 = vqrshrn_n_u16(q9u16, 7);
      d17u8 = vqrshrn_n_u16(q10u16, 7);
      d18u8 = vqrshrn_n_u16(q11u16, 7);
      d19u8 = vqrshrn_n_u16(q12u16, 7);
      d20u8 = vqrshrn_n_u16(q13u16, 7);
      d21u8 = vqrshrn_n_u16(q14u16, 7);

      q7u8 = vcombine_u8(d14u8, d15u8);
      q8u8 = vcombine_u8(d16u8, d17u8);
      q9u8 = vcombine_u8(d18u8, d19u8);
      q10u8 = vcombine_u8(d20u8, d21u8);

      vst1q_u8((uint8_t *)dst_ptr, q7u8);
      dst_ptr += dst_pitch;
      vst1q_u8((uint8_t *)dst_ptr, q8u8);
      dst_ptr += dst_pitch;
      vst1q_u8((uint8_t *)dst_ptr, q9u8);
      dst_ptr += dst_pitch;
      vst1q_u8((uint8_t *)dst_ptr, q10u8);
      dst_ptr += dst_pitch;
    }
    return;
  }

  d0u8 = vdup_n_u8(bifilter4_coeff[xoffset][0]);
  d1u8 = vdup_n_u8(bifilter4_coeff[xoffset][1]);

  d2u8 = vld1_u8(src_ptr);
  d3u8 = vld1_u8(src_ptr + 8);
  d4u8 = vld1_u8(src_ptr + 16);
  src_ptr += src_pixels_per_line;
  d5u8 = vld1_u8(src_ptr);
  d6u8 = vld1_u8(src_ptr + 8);
  d7u8 = vld1_u8(src_ptr + 16);
  src_ptr += src_pixels_per_line;
  d8u8 = vld1_u8(src_ptr);
  d9u8 = vld1_u8(src_ptr + 8);
  d10u8 = vld1_u8(src_ptr + 16);
  src_ptr += src_pixels_per_line;
  d11u8 = vld1_u8(src_ptr);
  d12u8 = vld1_u8(src_ptr + 8);
  d13u8 = vld1_u8(src_ptr + 16);
  src_ptr += src_pixels_per_line;

  // First Pass: output_height lines x output_width columns (17x16)
  tmpp = tmp;
  for (i = 3; i > 0; i--) {
    q7u16 = vmull_u8(d2u8, d0u8);
    q8u16 = vmull_u8(d3u8, d0u8);
    q9u16 = vmull_u8(d5u8, d0u8);
    q10u16 = vmull_u8(d6u8, d0u8);
    q11u16 = vmull_u8(d8u8, d0u8);
    q12u16 = vmull_u8(d9u8, d0u8);
    q13u16 = vmull_u8(d11u8, d0u8);
    q14u16 = vmull_u8(d12u8, d0u8);

    d2u8 = vext_u8(d2u8, d3u8, 1);
    d5u8 = vext_u8(d5u8, d6u8, 1);
    d8u8 = vext_u8(d8u8, d9u8, 1);
    d11u8 = vext_u8(d11u8, d12u8, 1);

    q7u16 = vmlal_u8(q7u16, d2u8, d1u8);
    q9u16 = vmlal_u8(q9u16, d5u8, d1u8);
    q11u16 = vmlal_u8(q11u16, d8u8, d1u8);
    q13u16 = vmlal_u8(q13u16, d11u8, d1u8);

    d3u8 = vext_u8(d3u8, d4u8, 1);
    d6u8 = vext_u8(d6u8, d7u8, 1);
    d9u8 = vext_u8(d9u8, d10u8, 1);
    d12u8 = vext_u8(d12u8, d13u8, 1);

    q8u16 = vmlal_u8(q8u16, d3u8, d1u8);
    q10u16 = vmlal_u8(q10u16, d6u8, d1u8);
    q12u16 = vmlal_u8(q12u16, d9u8, d1u8);
    q14u16 = vmlal_u8(q14u16, d12u8, d1u8);

    d14u8 = vqrshrn_n_u16(q7u16, 7);
    d15u8 = vqrshrn_n_u16(q8u16, 7);
    d16u8 = vqrshrn_n_u16(q9u16, 7);
    d17u8 = vqrshrn_n_u16(q10u16, 7);
    d18u8 = vqrshrn_n_u16(q11u16, 7);
    d19u8 = vqrshrn_n_u16(q12u16, 7);
    d20u8 = vqrshrn_n_u16(q13u16, 7);
    d21u8 = vqrshrn_n_u16(q14u16, 7);

    d2u8 = vld1_u8(src_ptr);
    d3u8 = vld1_u8(src_ptr + 8);
    d4u8 = vld1_u8(src_ptr + 16);
    src_ptr += src_pixels_per_line;
    d5u8 = vld1_u8(src_ptr);
    d6u8 = vld1_u8(src_ptr + 8);
    d7u8 = vld1_u8(src_ptr + 16);
    src_ptr += src_pixels_per_line;
    d8u8 = vld1_u8(src_ptr);
    d9u8 = vld1_u8(src_ptr + 8);
    d10u8 = vld1_u8(src_ptr + 16);
    src_ptr += src_pixels_per_line;
    d11u8 = vld1_u8(src_ptr);
    d12u8 = vld1_u8(src_ptr + 8);
    d13u8 = vld1_u8(src_ptr + 16);
    src_ptr += src_pixels_per_line;

    q7u8 = vcombine_u8(d14u8, d15u8);
    q8u8 = vcombine_u8(d16u8, d17u8);
    q9u8 = vcombine_u8(d18u8, d19u8);
    q10u8 = vcombine_u8(d20u8, d21u8);

    vst1q_u8((uint8_t *)tmpp, q7u8);
    tmpp += 16;
    vst1q_u8((uint8_t *)tmpp, q8u8);
    tmpp += 16;
    vst1q_u8((uint8_t *)tmpp, q9u8);
    tmpp += 16;
    vst1q_u8((uint8_t *)tmpp, q10u8);
    tmpp += 16;
  }

  // First-pass filtering for rest 5 lines
  d14u8 = vld1_u8(src_ptr);
  d15u8 = vld1_u8(src_ptr + 8);
  d16u8 = vld1_u8(src_ptr + 16);
  src_ptr += src_pixels_per_line;

  q9u16 = vmull_u8(d2u8, d0u8);
  q10u16 = vmull_u8(d3u8, d0u8);
  q11u16 = vmull_u8(d5u8, d0u8);
  q12u16 = vmull_u8(d6u8, d0u8);
  q13u16 = vmull_u8(d8u8, d0u8);
  q14u16 = vmull_u8(d9u8, d0u8);

  d2u8 = vext_u8(d2u8, d3u8, 1);
  d5u8 = vext_u8(d5u8, d6u8, 1);
  d8u8 = vext_u8(d8u8, d9u8, 1);

  q9u16 = vmlal_u8(q9u16, d2u8, d1u8);
  q11u16 = vmlal_u8(q11u16, d5u8, d1u8);
  q13u16 = vmlal_u8(q13u16, d8u8, d1u8);

  d3u8 = vext_u8(d3u8, d4u8, 1);
  d6u8 = vext_u8(d6u8, d7u8, 1);
  d9u8 = vext_u8(d9u8, d10u8, 1);

  q10u16 = vmlal_u8(q10u16, d3u8, d1u8);
  q12u16 = vmlal_u8(q12u16, d6u8, d1u8);
  q14u16 = vmlal_u8(q14u16, d9u8, d1u8);

  q1u16 = vmull_u8(d11u8, d0u8);
  q2u16 = vmull_u8(d12u8, d0u8);
  q3u16 = vmull_u8(d14u8, d0u8);
  q4u16 = vmull_u8(d15u8, d0u8);

  d11u8 = vext_u8(d11u8, d12u8, 1);
  d14u8 = vext_u8(d14u8, d15u8, 1);

  q1u16 = vmlal_u8(q1u16, d11u8, d1u8);
  q3u16 = vmlal_u8(q3u16, d14u8, d1u8);

  d12u8 = vext_u8(d12u8, d13u8, 1);
  d15u8 = vext_u8(d15u8, d16u8, 1);

  q2u16 = vmlal_u8(q2u16, d12u8, d1u8);
  q4u16 = vmlal_u8(q4u16, d15u8, d1u8);

  d10u8 = vqrshrn_n_u16(q9u16, 7);
  d11u8 = vqrshrn_n_u16(q10u16, 7);
  d12u8 = vqrshrn_n_u16(q11u16, 7);
  d13u8 = vqrshrn_n_u16(q12u16, 7);
  d14u8 = vqrshrn_n_u16(q13u16, 7);
  d15u8 = vqrshrn_n_u16(q14u16, 7);
  d16u8 = vqrshrn_n_u16(q1u16, 7);
  d17u8 = vqrshrn_n_u16(q2u16, 7);
  d18u8 = vqrshrn_n_u16(q3u16, 7);
  d19u8 = vqrshrn_n_u16(q4u16, 7);

  q5u8 = vcombine_u8(d10u8, d11u8);
  q6u8 = vcombine_u8(d12u8, d13u8);
  q7u8 = vcombine_u8(d14u8, d15u8);
  q8u8 = vcombine_u8(d16u8, d17u8);
  q9u8 = vcombine_u8(d18u8, d19u8);

  vst1q_u8((uint8_t *)tmpp, q5u8);
  tmpp += 16;
  vst1q_u8((uint8_t *)tmpp, q6u8);
  tmpp += 16;
  vst1q_u8((uint8_t *)tmpp, q7u8);
  tmpp += 16;
  vst1q_u8((uint8_t *)tmpp, q8u8);
  tmpp += 16;
  vst1q_u8((uint8_t *)tmpp, q9u8);

  // secondpass_filter
  d0u8 = vdup_n_u8(bifilter4_coeff[yoffset][0]);
  d1u8 = vdup_n_u8(bifilter4_coeff[yoffset][1]);

  tmpp = tmp;
  q11u8 = vld1q_u8(tmpp);
  tmpp += 16;
  for (i = 4; i > 0; i--) {
    q12u8 = vld1q_u8(tmpp);
    tmpp += 16;
    q13u8 = vld1q_u8(tmpp);
    tmpp += 16;
    q14u8 = vld1q_u8(tmpp);
    tmpp += 16;
    q15u8 = vld1q_u8(tmpp);
    tmpp += 16;

    q1u16 = vmull_u8(vget_low_u8(q11u8), d0u8);
    q2u16 = vmull_u8(vget_high_u8(q11u8), d0u8);
    q3u16 = vmull_u8(vget_low_u8(q12u8), d0u8);
    q4u16 = vmull_u8(vget_high_u8(q12u8), d0u8);
    q5u16 = vmull_u8(vget_low_u8(q13u8), d0u8);
    q6u16 = vmull_u8(vget_high_u8(q13u8), d0u8);
    q7u16 = vmull_u8(vget_low_u8(q14u8), d0u8);
    q8u16 = vmull_u8(vget_high_u8(q14u8), d0u8);

    q1u16 = vmlal_u8(q1u16, vget_low_u8(q12u8), d1u8);
    q2u16 = vmlal_u8(q2u16, vget_high_u8(q12u8), d1u8);
    q3u16 = vmlal_u8(q3u16, vget_low_u8(q13u8), d1u8);
    q4u16 = vmlal_u8(q4u16, vget_high_u8(q13u8), d1u8);
    q5u16 = vmlal_u8(q5u16, vget_low_u8(q14u8), d1u8);
    q6u16 = vmlal_u8(q6u16, vget_high_u8(q14u8), d1u8);
    q7u16 = vmlal_u8(q7u16, vget_low_u8(q15u8), d1u8);
    q8u16 = vmlal_u8(q8u16, vget_high_u8(q15u8), d1u8);

    d2u8 = vqrshrn_n_u16(q1u16, 7);
    d3u8 = vqrshrn_n_u16(q2u16, 7);
    d4u8 = vqrshrn_n_u16(q3u16, 7);
    d5u8 = vqrshrn_n_u16(q4u16, 7);
    d6u8 = vqrshrn_n_u16(q5u16, 7);
    d7u8 = vqrshrn_n_u16(q6u16, 7);
    d8u8 = vqrshrn_n_u16(q7u16, 7);
    d9u8 = vqrshrn_n_u16(q8u16, 7);

    q1u8 = vcombine_u8(d2u8, d3u8);
    q2u8 = vcombine_u8(d4u8, d5u8);
    q3u8 = vcombine_u8(d6u8, d7u8);
    q4u8 = vcombine_u8(d8u8, d9u8);

    q11u8 = q15u8;

    vst1q_u8((uint8_t *)dst_ptr, q1u8);
    dst_ptr += dst_pitch;
    vst1q_u8((uint8_t *)dst_ptr, q2u8);
    dst_ptr += dst_pitch;
    vst1q_u8((uint8_t *)dst_ptr, q3u8);
    dst_ptr += dst_pitch;
    vst1q_u8((uint8_t *)dst_ptr, q4u8);
    dst_ptr += dst_pitch;
  }
  return;
}