在扩散去噪范式下的单目深度估计展示了令人印象深刻的泛化能力，但其推理速度较低。近期的方法采用了单步确定性范式来提高推理效率，同时保持了相当的性能。然而，这些方法忽视了生成特征与判别特征之间的差距，导致结果次优。在这项工作中，我们提出了DepthMaster，这是一种单步扩散模型，旨在将生成特征适应于判别深度估计任务。首先，为了缓解生成特征引入的纹理细节过拟合问题，我们提出了一种特征对齐模块（Feature Alignment module），该模块融合高质量的语义特征以增强去噪网络的表示能力。其次，为了解决单步确定性框架中缺乏细粒度细节的问题，我们提出了一种傅里叶增强模块（Fourier Enhancement module），以自适应地平衡低频结构和高频细节。我们采用两阶段训练策略来充分发挥这两个模块的潜力。在第一阶段，我们专注于利用特征对齐模块学习全局场景结构；而在第二阶段，则利用傅里叶增强模块提升视觉质量。通过这些努力，我们的模型在泛化能力和细节保留方面达到了最先进的性能，在多个数据集上均优于其他基于扩散的方法。项目页面可访问 https://indu1ge.github.io/DepthMaster_page。