neon ld3指令是理想的;它加载48个字节并将它们解压缩到三个 neon 寄存器中。那你只需要轮班和手术室
我得出了以下结论：

void vectorized(const uint8_t* pCSI2, uint8_t* pBE, const uint8_t* pCSI2LineEnd)
{
    while (pCSI2 < pCSI2LineEnd) {
        uint8x16x3_t in = vld3q_u8(pCSI2);
        uint8x16x3_t out;
        out.val[0] = in.val[0];
        out.val[1] = vorrq_u8(vshlq_n_u8(in.val[2], 4), vshrq_n_u8(in.val[1], 4));
        out.val[2] = vorrq_u8(vshlq_n_u8(in.val[1], 4), vshrq_n_u8(in.val[2], 4));
        vst3q_u8(pBE, out);
        pCSI2 += 48;
        pBE += 48;
    }
}

字符串
Try on godbolt的数据。
使用gcc，生成的程序集看起来与您所期望的一样。（有一个mov可以通过更好的寄存器分配来消除，但这很小。
不幸的是，clang有一个奇怪的优化缺失，它将4位右移分解为3位和1位的移位。I filed a bug。
原则上，我们可以使用sli，Shift Left和Insert来做得更好，以有效地将OR与其中一个移位合并：

out.val[1] = vsliq_n_u8(vshrq_n_u8(in.val[1], 4), in.val[2], 4);
out.val[2] = vsliq_n_u8(vshrq_n_u8(in.val[2], 4), in.val[1], 4);

型
但是因为它覆盖了源操作数，所以我们需要额外增加几个mov。clang更巧妙地分配寄存器，只需要一个mov。
另一个可能稍微快一点的选项是使用sra、Shift Right和Accumulate，它执行加法而不是插入。由于相关位在这里已经是零，所以这具有相同的效果。奇怪的是没有sla。

out.val[1] = vsraq_n_u8(vshlq_n_u8(in.val[2], 4), in.val[1], 4);
out.val[2] = vsraq_n_u8(vshlq_n_u8(in.val[1], 4), in.val[2], 4);

型

我建议你从图表开始。
我不能说 neon ，所以我将描述我将如何使AVX 2代码做你想要的（但是，你应该用你的目标指令集实现它;如果你的目标是编写新代码，最好不要使用转换器）。x64 intrinsic有很好的文档; here is an example我用的。
AVX 2寄存器具有256位或32字节。也就是10个单位的24位数据。画一张图（最好是在纸上）：画出如果从内存中读取，256位寄存器将包含哪些位。然后画出你想在变形后得到的比特。用线连接它们。识别具有相同相对位置的位块。
然后编写代码，隔离相关的位块（_mm256_and_si256），将它们移位（_mm256_slli_si256，可能是_mm256_bslli_epi128或其他）并组合它们（_mm256_or_si256）。AVX 2在移位方面特别特殊，所以我相信 neon 代码会更容易编写。
你的主循环应该包含阅读、处理和写入3个寄存器，或者768位。如果你只为第一个做了一个图，你也许可以类似地实现其他两个。当然，您需要对循环剩余部分（最后几个数据元素）进行特殊处理-使用常规C代码处理它们。