当自主车辆用于轨迹规划或障碍物避让时，深度估计方法需要具备可靠性。因此，评估深度输出的质量至关重要。在本文中，我们展示了如何增强M4Depth这一为无人驾驶飞行器（UAV）应用设计的最先进深度估计方法，以实现联合深度和不确定性估计。为此，我们提出了一种解决方案，将由M4Depth生成的与视差相关的不确定性估计转换为与深度相关的不确定性估计，并证明该方法优于标准的概率方法。我们在多个公开数据集上的实验表明，我们的方法表现稳定，即使在零样本迁移情况下也是如此。此外，与现有的多视角深度估计方法相比，我们的方法具有显著优势，尽管其速度提高了2.5倍且具有因果性，但在多视角深度估计基准测试中的表现却与这些方法相当。我们的方法代码已公开发布在 https://github.com/michael-fonder/M4DepthU 。