Lorsqu'elles sont utilisées par les véhicules autonomes pour la planification de trajectoire ou l'évitement d'obstacles, les méthodes d'estimation de profondeur doivent être fiables. Par conséquent, évaluer la qualité des sorties de profondeur est crucial. Dans cet article, nous montrons comment M4Depth, une méthode d'estimation de profondeur de pointe conçue pour les applications de véhicules aériens non tripulés (UAV), peut être améliorée pour effectuer une estimation conjointe de la profondeur et de l'incertitude. Pour ce faire, nous présentons une solution permettant de convertir les estimations d'incertitude liées au parallaxe générées par M4Depth en estimations d'incertitude liées à la profondeur, et démontrons qu'elle surpasse l'approche probabiliste standard. Nos expériences sur divers jeux de données publics montrent que notre méthode se comporte de manière cohérente, même lors du transfert zéro-shot. De plus, notre méthode offre une valeur convaincante lorsqu'elle est comparée aux méthodes existantes d'estimation de profondeur multivues, car elle présente des performances similaires sur un banc d'essai d'estimation de profondeur multivues tout en étant 2,5 fois plus rapide et causale, contrairement aux autres méthodes. Le code de notre méthode est disponible publiquement à l'adresse https://github.com/michael-fonder/M4DepthU .