任意核卷積優化實現：SSE 指令集與內存佈局優化加速 conv2

背景

圖像處理中卷積是基礎操作（模糊、銳化、邊緣檢測等）。Matlab conv2 極快（3000×3000 灰度圖，15×15 核約 170ms）。本文探討如何用 C++ 實現高性能任意核卷積。

朴素四層循環缺陷

for (y=0; y
問題：緩存未命中嚴重，邊界判斷分支多，無法向量化。

優化策略
1. SSE 向量化乘累加
將卷積核每行填充至 4 的倍數（Pad4(KW)），用 _mm_malloc 16 字節對齊。核心函數 MultiplySSE：

核長 ≥16 時，4 路 SSE 並行（循環展開 4 次），最後合併 4 個 __m128 求和。
餘數部分用單路 SSE 處理。


2. 滑動窗口內存重用
預先構建擴展圖像（四周鏡像/複製填充），避免邊界判斷。分配 Kernel[PadConvLine × ExpHeight] 存儲當前列所有像素的卷積窗口數據（已填充對齊）。

第一列：直接從擴展圖拷貝構建。
後續列：memmove 整體左移一位，只需更新最右一列新數據。

每列內沿行方向滑動時，Kernel 指針每行遞增 PadConvLine，直接調用 MultiplySSE。

3. 代碼關鍵片段
// 卷積核對齊填充
float *Conv16 = (float*)_mm_malloc(PadConvLine * ConvH * sizeof(float), 16);
for (int y=0; y

性能結果
測試環境：i5 CPU，3000×3000 灰度圖，15×15 核。本實現約 360ms，Matlab 約 170ms（差距約 2×）。作者指出 FFT 在小核（<50×50）下不如直接卷積快。

總結
結合 SSE 向量化、內存佈局優化、滑動窗口重用，可實現接近 Matlab 的任意核卷積性能。代碼較長但邏輯清晰，適合高性能圖像處理庫開發。