Нужна некоторая конструктивная критика на моей попытке SSE/блока

Я работаю над преобразованием небольшого количества кода к SSE, и в то время как у меня есть корректный вывод, это оказывается медленнее, чем стандартный код C++.

Бит кода, для которого я должен сделать это:

float ox = p2x - (px * c - py * s)*m;
float oy = p2y - (px * s - py * c)*m;

То, что я имею для кода SSE:

void assemblycalc(vector4 &p, vector4 &sc, float &m, vector4 &xy)
{
    vector4 r;
    __m128 scale = _mm_set1_ps(m);

__asm
{
    mov     eax,    p       //Load into CPU reg
    mov     ebx,    sc
    movups  xmm0,   [eax]   //move vectors to SSE regs
    movups  xmm1,   [ebx]

    mulps   xmm0,   xmm1    //Multiply the Elements

    movaps  xmm2,   xmm0    //make a copy of the array  
    shufps  xmm2,   xmm0,  0x1B //shuffle the array     

    subps   xmm0,   xmm2    //subtract the elements

    mulps   xmm0,   scale   //multiply the vector by the scale

    mov     ecx,    xy      //load the variable into cpu reg
    movups  xmm3,   [ecx]   //move the vector to the SSE regs

    subps   xmm3,   xmm0    //subtract xmm3 - xmm0

    movups  [r],    xmm3    //Save the retun vector, and use elements 0 and 3
    }
}

Начиная с его очень трудного для чтения кода я объясню, что я сделал:

загруженный vector4, xmm0 _____ p = [пкс, py, пкс, py]
mult. vector4, xmm1 _ cs = [c, c, s, s]
__________________________ mult----------------------------
результат, _____________ xmm0 = [pxc, pyc, pxs, pys]

результат повторного использования, xmm0 = [pxc, pyc, pxs, pys]
переставьте результат, xmm2 = [pys, pxs, pyc, pxc]
_____________________ вычтите----------------------------
результат, xmm0 = [pxc-pys, pyc-pxs, pxs-pyc, pys-pxc]

результат повторного использования, xmm0 = [pxc-pys, pyc-pxs, pxs-pyc, pys-pxc]
загрузите m vector4, масштаб = [m, m, m, m]
__________________________ mult----------------------------
результат, xmm0 = [(pxc-pys) m, (pyc-px*s) m, (pxs-py*c) m, (pys-px*c) m]


xy vector4 загрузки, xmm3 = [p2x, p2x, p2y, p2y]
повторное использование, xmm0 = [(pxc-py*s) m, (pyc-px*s) m, (pxs-py*c) m, (pys-px*c) m]
_____________________ вычтите----------------------------
результат, xmm3 = [p2x-(pxc-py*s) m, p2x-(pyc-px*s) m, p2y-(pxs-py*c) m, p2y-(pys-px*c) *m]

затем вол = xmm3[0] и внук = xmm3[3], таким образом, я по существу не использую xmm3[1] или xmm3[4]

Я приношу извинения за трудность, читая это, но я надеюсь, что кто-то смог обеспечивать некоторое руководство для меня, когда стандартный код C++ работает в 0,001444 мс и выполнения кода SSE в 0,00198 мс.

Сообщите мне, существует ли что-нибудь, что я могу сделать для дальнейшего объяснения/чистившего этого немного. Причина я пытаюсь использовать SSE, состоит в том, потому что я выполняю это вычисление миллионы времен, и это - часть того, что замедляет мой текущий код.

Заранее спасибо за любую справку! Brett