多くの2Dヒューマンポーズ推定フレームワークは、ヒューリスティックな手法（例えばヒートマップの最大値）を使用して、キーポイントの信頼度を任意的な方法で推定しています。信頼度は評価スキームの一部であり、MSCOCOデータセットにおけるAP（平均精度）などに影響を与えますが、最先端の手法の開発においてはほとんど見過ごされてきました。本論文では、ポーズ推定におけるミスキャリブレーション問題への対処に初めて取り組みます。キャリブレーションの観点から、信頼度はポーズ精度と一致するべきです。しかし実際には、既存の手法は適切にキャリブレートされていません。理論的な分析を通じて、なぜミスキャリブレーションギャップが存在し、どのようにそのギャップを縮めるかを示します。インスタンスサイズを予測し、信頼度関数を調整するだけで大幅なAP改善が得られます。ただし、深層ニューラルネットワークのブラックボックス的な性質から、閉形式での調整だけではこのギャップを完全に閉じることは不可能です。そのため、我々は一歩進んで、信頼度とポーズ精度の一貫性を強制することでネットワーク固有の調整を学習します。提案するキャリブレートされたConfidenceNet（CCNet）は軽量な後処理追加機能であり、市販のポーズ推定フレームワークで最大1.4%のAP向上を達成します。メッシュ回復という下流タスクに適用すると、CCNetは3Dキーポイント誤差をさらに1.0mm減少させることができます。