SSE: reinterpret_cast‹__m128*› вместо _mm_load_ps

Я нахожусь в процессе кодирования простой функции свертки на С++, начиная с самой простой свертки "скользящего окна" с обычными продуктами (пока без БПФ), вплоть до SEE, AVX и, возможно, OpenCL. Однако я столкнулся с проблемой с SSE. Мой код выглядит так:

for (x = 0; x < SIZEX - KSIZEX + 1; ++x)
{
    for (y = 0; y < SIZEY - KSIZEY + 1; ++y)
    {           
        tmp = 0.0f;

        float fDPtmp = 0.0f;
        float *Kp = &K[0];


        for (xi = 0; xi < KSIZEX; ++xi, Kp=Kp+4)
        {                               
            float *Cp = &C[(x+xi)*SIZEY + y];

            __m128 *KpSSE = reinterpret_cast<__m128*>(&K);
            __m128 *CpSSE = reinterpret_cast<__m128*>(&C[(x + xi)*SIZEY + y]);
            __m128 DPtmp = _mm_dp_ps(*KpSSE, *CpSSE, 0xFF);
            _mm_store_ss(&fDPtmp, DPtmp);

            tmp += fDPtmp;
        }

        R[k] = tmp;
        ++k;
    }
}

Необходимые матрицы инициализируются следующим образом (их размер считается приемлемым, потому что более простые реализации работают нормально):

__declspec(align(16)) float *C = ReadMatrix("E:\\Code\\conv\\C.bin");
__declspec(align(16)) float *K = ReadMatrix("E:\\Code\\conv\\K.bin");
__declspec(align(16)) float *R = new float[CSIZEX*CSIZEY];

Код дает сбой при y=1, поэтому я чувствую, что может быть ошибка в том, как я обрабатываю указатели. Интересно то, что если я заменю reinterpret_casts на _mm_set_ps, т.е.

__m128 KpSSE = _mm_set_ps(Kp[0], Kp[1], Kp[2], Kp[3]);
__m128 CpSSE = _mm_set_ps(Cp[0], Cp[1], Cp[2], Cp[3]);
__m128 DPtmp = _mm_dp_ps(KpSSE, CpSSE, 0xFF);
_mm_store_ss(&fDPtmp, DPtmp);

все это работает просто отлично, хотя и медленнее, что я виню во всех операциях копирования.

Может ли кто-нибудь указать мне, что именно я делаю неправильно здесь?

Большое Вам спасибо

Пэт

Обновление: Хорошо, как указал Пол, проблема заключается в ReadMatrix (или другим решением было бы использование _mm_loadu_ps). Что касается ReadMatrix(), то это выглядит так:

__declspec(align(16)) float* ReadMatrix(string path)
{
    streampos size;

    ifstream file(path, ios::in | ios::binary | ios::ate);

    if (file.is_open())
    {
        size = file.tellg();
        __declspec(align(16)) float *C = new float[size];
        file.seekg(0, ios::beg);
        file.read(reinterpret_cast<char*>(&C[0]), size);
        file.close();

        return C;
    }
    else cout << "Unable to open file" << endl;
}

Это не помогает. Есть ли другой способ сделать это элегантно, вместо того, чтобы заставлять читать файл по частям и выполнять memcpy, что, как я полагаю, должно работать?!

Обновлять:

Все еще не хочет работать после

__declspec(align(16)) float* ReadMatrix(string path)
{
    streampos size;

    ifstream file(path, ios::in | ios::binary | ios::ate);

    if (file.is_open())
    {
        size = file.tellg();
        __declspec(align(16)) float *C = static_cast<__declspec(align(16)) float*>(_aligned_malloc(size * sizeof(*C), 16));
        file.seekg(0, ios::beg);
        file.read(reinterpret_cast<char*>(&C[0]), size);
        file.close();

        return C;
    }
    else cout << "Unable to open file" << endl;
}

Я добавил туда static_cast, так как казалось необходимым заставить код Пола компилироваться (т.е. _aligned_malloc возвращает указатель void). Я приближаюсь к тому, чтобы просто прочитать фрагменты файла с помощью fread и memcpy в выровненный массив. :/ И снова я ловлю себя на том, что прошу совета. Всем большое спасибо.

Пэт

PS: Код без SSE отлично работает с этими структурами данных. _mm_loadu_ps работает медленнее, чем код без SSE.