目前正在做ARMv7 系列芯片算法的NEON优化，发现一个耗时异常的地方，现象描述如下：
首先主循环里会处理三类数据，三类数据分开存放在DDR上，每次循环分别处理三类数据的8个uchar数据，存储数据也是分三类数据地址分开存放，我分别定义三个uint8*8的变量用来暂时存储处理的结果，在使用vst1_u8从寄存器存储数据到DDR的时候，只要我存储处理过后的三路数据中的一路，耗时就会增加到59ms，这时候不管是否存储另外两路数据，耗时都是59ms。如果我从DDR直接加载数据，给该变量赋值，不处理直接写到DDR，统计总循环的耗时会降低20ms，同样的我存储其他变量的数据到DDR耗时也会下降20ms，只要一存储处理过后的数据中的一路，总循环耗时就突增到59ms，想不明白，都是从d寄存器或者q寄存器写数据到DDR，为什么耗时会差这么多，只要存储处理过的数据耗时就上升到59ms。该算法原来的耗时是180ms，现在优化到59ms，想弄清楚耗时增长的原因？是否有别的优化方法进一步降低耗时？（注：由于该算法的特性，算法中使用寄存器数量已经超过的ARMv7 NEON中的寄存器数量。）
求有经验的大神解惑，急用啊