Да я вроде не предлагал увеличивать количество чтений :) Вы читали блоками 16х16 нитей матрицу 16х16, или, если учитывать пересекающиеся края, 18x18. Я предлагал блоком 16x16 нитей читать матрицу 30x30 с пересекающимися краями, то есть 32x32. Число чтений меньше, чем в Вашем исходном варианте.

Единственное что непонятно при этом, важно ли Вашему алгоритму, что блок обрабатывает блок именно 16х16. По косвенным признакам похоже, что все-таки блок 16x16 памяти это важно. Если это действительно так, и нельзя никак изменить обработку блока 16x16 на обработку блока 30x30, то тогда имеет смысл все пересекающиеся края блоков вынести в отдельные массивы.