用SSE加速CPU蒙皮计算

我们知道现在绝大多数情况下角色动画的蒙皮计算是放在GPU中计算的。
但是仍然有一些特殊的场合我们需要在CPU端使用蒙皮计算的结果，比如涉及到
布料的物理模拟的时候。这时我们需要在CPU端计算蒙皮。
为了节约宝贵的CPU计算的时间，我们需要用SSE对CPU计算蒙皮进行加速。

 

顶点结构如下：
struct Vertex
{
 float3 Pos;
 float3 Normal;
 int  n;   //该顶点蒙到了几个骨骼上
 int  BoneId[4];
 float Weight[3];
 .... //切线等等
};

 

对于每个顶点的计算过程是先由BoneId和Weight计算出变换矩阵，然后用矩阵变换
顶点的位置，法线等。其中求变换矩阵是对多个矩阵加权求和的过程，这一步很适合
使用SSE加速。
每个顶点可能蒙到1-4个骨骼上，也就是每个顶点可能需要对1-4个矩阵加权求和。
1个骨骼的时候不用计算。2-4个骨骼的时候，我们分别写3个函数对应这3种情况。

 

__forceinline void LoadFourFloats(float* a0, __m128& res)
{
 res = _mm_load_ps(a0);
}

__forceinline void StoreFourFloats(float* a0, const __m128& src)
{
 _mm_store_ps(a0, src);
}

__forceinline void MulMatrixFloat(__m128& mo0, __m128& mo1, __m128& mo2,
          const __m128& mi0, const __m128& mi1, const __m128& mi2,
          float w)
{
 __m128 xmm;

 xmm = _mm_load_ss(&w);
 xmm = _mm_shuffle_ps(xmm,xmm,0);

 // Multiply matrix 1 by weight 1.
 mo0 = _mm_mul_ps(xmm, mi0);
 mo1 = _mm_mul_ps(xmm, mi1);
 mo2 = _mm_mul_ps(xmm, mi2);
}

__forceinline void Collapse2MatSSE(float* pM1, float* pM2,
           float W1, float W2, float* pR)
{
 __m128 x