странная производительность в C++ (VC 2010)

Мне записали этот цикл в C++, это скомпилировало с MSVC2010, занимает много времени для выполнения. (300 мс)

    for (int i=0; i<h; i++) {
    for (int j=0; j<w; j++) {
        if (buf[i*w+j] > 0) {
            const int sy = max(0, i - hr);
            const int ey = min(h, i + hr + 1);
            const int sx = max(0, j - hr);
            const int ex = min(w, j + hr + 1);
            float val = 0;
            for (int k=sy; k < ey; k++) {
                for (int m=sx; m < ex; m++) {
                    val += original[k*w + m] * ds[k - i + hr][m - j + hr];
                }
            }
            heat_map[i*w + j] = val;
        }
    }
}

Это казалось немного странным для меня, таким образом, я сделал некоторые тесты, затем изменился на несколько битов на встроенный ассемблерный код: (а именно, код, который суммирует "val"),

    for (int i=0; i<h; i++) {
    for (int j=0; j<w; j++) {
        if (buf[i*w+j] > 0) {
            const int sy = max(0, i - hr);
            const int ey = min(h, i + hr + 1);
            const int sx = max(0, j - hr);
            const int ex = min(w, j + hr + 1);
            __asm {
                fldz
            }
            for (int k=sy; k < ey; k++) {
                for (int m=sx; m < ex; m++) {
                    float val = original[k*w + m] * ds[k - i + hr][m - j + hr];
                    __asm {
                        fld val
                        fadd
                    }
                }
            }
            float val1;
            __asm {
                fstp val1
            }
            heat_map[i*w + j] = val1;
        }
    }
}

Теперь это работает в половину времени, 150 мс. Это делает точно то же самое, но почему это вдвое более быстро? В обоих случаях это было выполнено в режиме Release с оптимизацией на. Я делаю что-то не так в своем исходном коде C++?