たしかにビット毎に配列アクセスになるのはありますね、それだけだと遅いかも。 ただ４*4単位にしておけば、おそらく大半のアクセスを占めるであろう全ビット同じの処理を１６or32ドット一括で処理できそうな気がします。他に問題点とかありそうですか？