Проблема с производительностью ARM neon

Рассмотрим два следующих фрагмента кода, первый — это версия C:

void __attribute__((no_inline)) proj(uint8_t * line, uint16_t length)
{
    uint16_t i;
    int16_t tmp;
    for(i=HPHD_MARGIN; i<length-HPHD_MARGIN; i++) {
        tmp = line[i-3] - 4*line[i-2] + 5*line[i-1] - 5*line[i+1] + 4*line[i+2] - line[i+3];
        hphd_temp[i]=ABS(tmp);
    }
}

Вторая — та же функция (за исключением рамки), использующая неоновые встроенные функции.

void  __attribute__((no_inline)) proj_neon(uint8_t * line, uint16_t length)
{
    int i;
    uint8x8_t b0b7, b8b15, p1p8,p2p9,p4p11,p5p12,p6p13, m4, m5;
    uint16x8_t result;

    m4 = vdup_n_u8(4);
    m5 = vdup_n_u8(5);
    b0b7 = vld1_u8(line);
    for(i = 0; i < length - 16; i+=8) {
        b8b15 = vld1_u8(line + i + 8);
        p1p8  = vext_u8(b0b7,b8b15, 1);
        p2p9  = vext_u8(b0b7,b8b15, 2);
        p4p11 = vext_u8(b0b7,b8b15, 4);
        p5p12 = vext_u8(b0b7,b8b15, 5);
        p6p13 = vext_u8(b0b7,b8b15, 6);

        result = vsubl_u8(b0b7, p6p13); //p[-3]
        result = vmlal_u8(result, p2p9, m5); // +5 * p[-1];
        result = vmlal_u8(result, p5p12, m4);// +4 * p[1];
        result = vmlsl_u8(result, p1p8, m4); //-4 * p[-2];
        result = vmlsl_u8(result, p4p11, m5);// -5 * p[1];
        vst1q_s16(hphd_temp + i + 3, vabsq_s16(vreinterpretq_s16_u16(result)));
        b0b7 = b8b15;
    }
    /* todo : remaining pixel */

}

Я разочарован приростом производительности: он составляет около 10-15%. Если я посмотрю на сгенерированную сборку:

• Версия C преобразована в цикл из 108 инструкций.
• Неоновая версия трансформируется в цикл из 72 инструкций.

Но один цикл в неоновом коде вычисляет в 8 раз больше данных, чем итерация в цикле C, так что должно быть заметно значительное улучшение.

Есть ли у вас какое-либо объяснение относительно небольшой разницы между двумя версиями?

Дополнительные сведения: Тестовые данные представляют собой изображение с разрешением 10 Мпикс, время расчета составляет около 2 секунд для версии C.

Процессор: ARM Cortex A8