千分求汇编优化：UInt96x96To192(...)

// Test.cpp : Defines the entry point for the console application.
//

#include "stdafx.h"
#include <stdlib.h>
#if 1
#define _DUMP
#endif

typedef unsigned int UINT32;

/*
L2 L1 L0
x) R2 R1 R0 max
---------------------------- -----------------------------------------------------
L0*R0 FFFFFFFE 00000001
L1*R0 FFFFFFFE FFFFFFFF 00000001
+) L2*R0 FFFFFFFE FFFFFFFF FFFFFFFF 00000001
----------------------------
L0*R1 FFFFFFFF FFFFFFFE 00000000 00000001
L1*R1 00000001 FFFFFFFD FFFFFFFF 00000000 00000001
+) L2*R1 FFFFFFFF FFFFFFFE FFFFFFFF 00000000 00000001
----------------------------
L0*R2 00000001 00000000 FFFFFFFD 00000000 00000000 00000001
L1*R2 00000001 FFFFFFFE FFFFFFFE 00000000 00000000 00000001
+) L2*R2 FFFFFFFF FFFFFFFF FFFFFFFE 00000000 00000000 00000001
---------------------------- -----------------------------------------------------
*/
void UInt96x96To192( UINT32 * pH, UINT32 * pL, const UINT32 * pR )
{
// H[2]:H[1]:H[0] : L[2]:L[1]:L[0] <-- L[2]:L[1]:L[0] * R[2]:R[1]:R[0]
// 即：L、R 分别为 96bits 无符号数，将其相乘后，
// 结果的低 96bits 存在 L 中，高 96bits 存在 H 中。
__asm
{
// 请用 SSE2 或更适合的指令集，以充分利用流水线，加速该段算法的执行，help!
//...
}
}

int main(int argc, char* argv[])
{
// printf("Hello World!\n");

UINT32 u32H[3];
UINT32 u32L[3] = { 0xFFFFFFFF, 0xFFFFFFFE, 0xFFFFFFFD };
const UINT32 u32R[3] = { 0xFFFFFFFD, 0xFFFFFFFE, 0xFFFFFFFF };

#ifdef _DUMP

printf( "%08X %08X %08X * %08X %08X %08X",
u32L[2], u32L[1], u32L[0], u32R[2], u32R[1], u32R[0] );
#endif


UInt96x96To192( u32H, u32L, u32R );


#ifdef _DUMP

printf( "\r\n\t= %08X %08X %08X : %08X %08X %08X\r\n\r\n",
u32H[2], u32H[1], u32H[0], u32L[2], u32L[1], u32L[0] );
#endif


system( "pause" );
return 0;
}

/********************* end of Test.cpp ****************************/



我有一个核心模块：UInt96x96To192() 需要反复调用，所以对效率要求非常高，
希望能通过调用当前最先进的汇编指令，以使其可在尽可能少的 clock 周期内完成。


可惜我的汇编水平还很差，所以求助本版高手，望能圆满解决。
(如达到预期效果，将不惜千分相赠；来着讨论亦均有分)